第一個(gè)機(jī)器人在20世紀(jì)50年代末、60年代初誕生，但嚴(yán)格意義上它不算機(jī)器人，只是一臺(tái)“可編程的物品傳送設(shè)備”，它被用于移動(dòng)通用汽車公司生產(chǎn)線上壓鑄機(jī)周圍的產(chǎn)品。1954年專利的第一句話強(qiáng)調(diào)了本發(fā)明的可編程性和通用性，并且表明可編程性要求傳感器確保程序、期望軌跡或功能和實(shí)際運(yùn)動(dòng)之間的一致性。

時(shí)至今日，機(jī)器人并沒有完全偏離最初的概念：如今的機(jī)器人是可以進(jìn)行編程的。它們需要感知自身的環(huán)境，以確保所做的事情和被設(shè)定要做的事情是一致的。而且，它們需要在自身的環(huán)境中移動(dòng)。過去50-60年來所發(fā)生的變化主要是在復(fù)雜性、速度以及應(yīng)用這些基本概念的領(lǐng)域方面有所增加。

雖然第一批機(jī)器人主要用來移動(dòng)壓鑄件，但機(jī)器人之父約瑟夫·恩格爾伯格(Joseph Engelberger)深受阿西莫夫機(jī)器人第一定律的影響——機(jī)器人不得傷害人類，或看到人類受到傷害而袖手旁觀。他把機(jī)器人部署在可以保護(hù)人類的地方。保護(hù)人類也是傳感器數(shù)量不斷增加的驅(qū)動(dòng)力，特別是在協(xié)作機(jī)器人(cobots)或自動(dòng)導(dǎo)引車(AGVs)中。

是什么推動(dòng)著機(jī)器人產(chǎn)業(yè)的發(fā)展?

為了更好地理解對(duì)自主機(jī)器人的追求，讓我們回顧一下Alex Wissner-Gross的“智能定律”方程式：它是一種熵力，解釋了機(jī)器人學(xué)的發(fā)展趨勢(shì)：

F = T ∇ Sτ

其中F指的是使未來行動(dòng)自由最大化的力，T指的是定義整體強(qiáng)度的溫度(可用資源)，以及S指的是時(shí)間范圍tau內(nèi)的熵。

機(jī)器人學(xué)作為一門工業(yè)和科學(xué)，其目標(biāo)是通過增加嵌入式模擬智能來最大限度地提高未來機(jī)器人行動(dòng)的自由度。這就需要：

有更多的傳感器來獲得更高精度的機(jī)器人周圍環(huán)境模型。

有更好的傳感器連接到控制算法(和更分散的控制算法)。

有更好的算法從傳感器數(shù)據(jù)中提取盡可能多的信息。

有更好的執(zhí)行器來根據(jù)控制算法的決策更快更準(zhǔn)確地行動(dòng)。

不妨看一看當(dāng)今的科技領(lǐng)域，機(jī)器人已經(jīng)獲得了很大的自主性，并且正在使用來自互補(bǔ)性氧化金屬半導(dǎo)體相機(jī)傳感器、激光雷達(dá)和雷達(dá)的傳感器來適應(yīng)各種各樣的應(yīng)用。雖然相機(jī)的角度分辨率和動(dòng)態(tài)范圍比雷達(dá)大得多，但相機(jī)不能提供激光雷達(dá)所具有的動(dòng)態(tài)范圍，也不能在煙霧彌漫或多塵的環(huán)境中工作。

圖1：工廠環(huán)境中的現(xiàn)代機(jī)械臂示例。

由于機(jī)器人被設(shè)計(jì)成適應(yīng)最廣泛應(yīng)用的最靈活的選擇，因而它們需要在低光、多塵或明亮的環(huán)境中工作。這種靈活性可以通過組合傳感器信息——aka、傳感器融合來實(shí)現(xiàn)。換句話說，不同傳感器的信息可用于重建機(jī)器人環(huán)境的彈性表示，從而在更多應(yīng)用中實(shí)現(xiàn)自主性。例如，如果一個(gè)相機(jī)被暫時(shí)覆蓋，則其他傳感器必須能夠使機(jī)器人安全運(yùn)行。為確保機(jī)器人能對(duì)其所處環(huán)境有全方位的了解，機(jī)器人傳感器數(shù)據(jù)需要以限時(shí)的方式進(jìn)行路由，并用少量的電纜連接到機(jī)器人控制器，以最大限度地提高連接的可靠性。

如今，高帶寬低延遲總線主要基于低壓差分信號(hào)(LVDS)。然而， LVDS接口并沒有標(biāo)準(zhǔn)，這就導(dǎo)致傳感器到控制器的生態(tài)系統(tǒng)出現(xiàn)分裂，并且使來自不同供應(yīng)商的混合和匹配解決方案變得困難。一旦傳感器數(shù)據(jù)被傳輸?shù)綑C(jī)器人控制器，一系列基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法可以幫助提高機(jī)器人所處環(huán)境的精度。用深度學(xué)習(xí)教父Yann LeCun、Yoshua Bengio和Geoffrey Hinton的話說，“深度學(xué)習(xí)允許由多個(gè)處理層組成的計(jì)算模型學(xué)習(xí)具有多個(gè)抽象層的數(shù)據(jù)表示。”這些深度神經(jīng)網(wǎng)絡(luò)可以在機(jī)器人內(nèi)部用于快速、實(shí)時(shí)處理，也可以在云中用于元信息收集或更復(fù)雜的推理。