近日，德州儀器全球工業系統部門系統和應用經理 Matthieu Chevrier 發表文章《邊緣上的AI：“協作機器人”如何快速處理傳感器數據》。本文將介紹機器人自動化發展以及其運用的傳感器技術。

無論是傳統的工業機器人系統，還是當今最先進的協作機器人(Cobot)，它們都要依靠可生成大量高度可變數據的傳感器。這些數據有助于構建更佳的機器學習(ML)和人工智能(AI)模型。而機器人依靠這些模型變得“自主”，可在動態的現實環境中做出實時決策和導航。

工業機器人通常位于“封閉”環境中，出于安全原因，如果該環境中有人類進入，機器人會停止移動。但是限制人類/機器人協作，也使得很多益處無法實現。具有自主運行功能的機器人，可以支持安全高效的人類與機器人的共存。

機器人應用的傳感和智能感知非常重要，因為機器人系統的高效性能，特別是 ML/AI 系統， 在很大程度上取決于為這些系統提供關鍵數據的傳感器的性能。當今數量廣泛且日益完善和精確的傳感器，結合能夠將所有這些傳感器數據融匯在一起的系統，就可以支持機器人具有越來越好的知覺和意識。

AI 的發展

機器人自動化一直以來都是制造業的革命性技術，將 AI 集成到機器人中顯然將在未來數年中使機器人技術產生巨大變化。本文探討了當今機器人、自動化和把 AI 及 AI 所需數據緊緊鏈接在一起從而實現智能的最重要技術的某些關鍵發展趨勢，還討論了如何在 AI 系統中使用以及融匯不同的傳感器。

推動機器人的 AI 處理技術至邊緣計算

ML 包括兩個主要部分：培訓和推理，可以在完全相異的處理平臺上執行它們。培訓通常是以離線方式在桌面上進行或在云端完成，并且包括將大數據集入神經網絡。在此階段，實時性能或功能都不是問題。培訓階段的結果是在部署時已經有了一個經過培訓的 AI 系統，該系統能夠執行特定任務，例如，調查組裝線上的瓶頸問題、計算和跟蹤一個房間內的人員或確定賬單是否是偽造的。

但是，為了讓 AI 實現其在許多行業的應用前景，在推理（執行培訓后的 ML 算法）期間必須實時或近實時完成傳感器數據的融合。為此，設計師需要在邊緣實施 ML 和深度學習模型，將推理功能部署到嵌入式系統中。

舉例來說，在工作場所設立協作機器人（如圖1），與人進行密切協作。它需要使用來自近場傳感器及視覺傳感器的數據，來確保它在成功防止人類受到傷害的同時，支持人類完成對于他們來說有難度的活動。所有這些數據都需要實時處理，但是云的速度達不到協作機器人需要的實時、低延時響應。要攻克這個瓶頸，人們把當今先進的 AI 系統發展到了邊緣領域，即，機器人意味著存在于邊緣設備中。

圖1：人類在工廠環境中與協作機器人互動

這種分布式 AI 模型依賴于高度集成的處理器，這種處理器具有：

豐富的外圍設備組，用于對接不同傳感器

高性能處理功能，以運行機器視覺算法

加速深入學習推理的方法。

此外，所有這些功能還必須高效工作，并且功耗相對低，體積相對小，以便由邊緣承載它們。

隨著 ML 的普及，我們經過功耗和尺寸優化的“推理引擎”的可獲得性也越來越高。這些引擎是專為執行 ML 推理而專門設計的硬件產品。

集成式片上系統(SoC)在嵌入式空間內通常是好的選擇，因為除包裹能運行深度學習推理的各種處理元件外，SoC 還集成了使嵌入式應用變得完整的許多必要部件。

讓我們來分析一下當今時代中的熱門機器人發展趨勢。

協作機器人（協作機器人）

接近傳統的工業機器人沒有外圍設備，但是人們一般無法獲得它們。與之相反，協作機器人設計用于在運行時與人安全互動，緩慢而優雅地移動。

根據 ISO 標準 TS 15066的定義，協作機器人是一種能夠用在協作環境中的機器人，協作操作意味著機器人和人在定義的工作空間內同步工作，進行生產操作（這不包括機器人+機器人系統或同地協作、在不同時間進行操作的人與機器人）。定義和部署協作機器人，可預測機器人的實體部分（如實際功能擴展，比方說激光）與操作員的潛在沖突。更重要的是，這會利用傳感器來確定操作員的精確位置和速度。

協作機器人制造者必須在機器人系統中實施高水平的環境感應和冗余，以便快速探測和防止可能的沖突。集成式傳感器與控制單元連接，將可傳感機器人臂與人或其他對象的迫在眉睫的沖突，控制單元將立即關閉機器人。如果任何傳感器或其電子電路故障，機器人也將關閉。

物流機器人

物流機器人是在可能有人或沒人的環境中操作的移動設備，如倉庫、配送中心、港口或園區等。物流機器人提取貨物并把貨物帶到包裝站，或者把貨物從公司站點的一棟建筑物運送到另一棟建筑物；某些物流機器人還能揀貨和包裝。這些機器人通常在特定環境中移動，需要傳感器進行定位、繪圖和防止沖突（特別是與人的沖突）。

直至最近，大多數物流機器人還在使用預定義的路線；而現在它們已經能夠基于其他機器人、人和貨物的位置來調整它們的導航。超聲波、紅外線和 LIDAR 感應目前都是已投入應用的技術。鑒于機器人的移動性，位于其內部的控制單元一般是通過無線方式與中央遠程控制通信。物流機器人目前已采用的先進技術，包括 ML 邏輯、人機協作及環境分析技術等。

勞動力成本上升和嚴格的政府法規，都促使物流機器人得到了更廣泛的應用。它們的受歡迎程度也水漲船高，因為設備和傳感器等部件的成本有所下降，集成的成本（和所需時間）也呈下行趨勢。

最后一英里交付機器人

在將產品從倉庫貨架運輸到客戶門前臺階的過程中，“最后一英里”交付是物流過程的最后一步：將貨物最終運抵買家門前的時刻。這不僅對形成何等客戶滿意度很關鍵，同時最后一英里交付還是成本高昂和耗時的。

最后一英里交付的成本占據整個貨運成本的大頭：就其本身而言，使最后一英里交付更高效已經成為開發和實施新機器人技術的重點，它能推動過程改進和提高效率。

機器人中 AI 的傳感器技術

隨著機器人技術的發展，互補傳感器技術也在發展。與人類的五種感官非常相似，在將機器人系統部署到不斷變化和不受控制的環境中時，結合不同的傳感技術可以提供最佳結果。即使是機器人執行的最簡單的任務也將取決于3D 機器視覺來將數據饋送到 AI 技術中。若未能夠重建3D 圖像的機器視覺，且 AI 將該視覺信息轉換成機器人方面的成功動作，則在沒有預定位置和運動的情況下抓住對象不可能實現。

當今用于支持機器人中 AI 的最流行和最相關的傳感器技術包括：

飛行時間(ToF)光學傳感器：這種傳感器基于 ToF 原理，采用光電二極管（單一的傳感器元件或一個陣列）和有源照明來測量距離。把從障礙物反射的光波與發射波進行比較，從而測量延遲，該值即代表距離。此數據有助創建對象的3D 地圖。

溫度和濕度傳感器：許多機器人需要測量溫度，有的時候還要測量其所在環境與其部件的濕度，包括電機和主 AI 母板，以此確保它們在安全范圍內運行。

超聲波傳感器：如果機器人在明亮環境下看不到東西或者在很暗的環境中找不到它自己，就說明視覺傳感器沒有工作。通過傳輸超聲波和聆聽從對象上反射回來的回波（類似于蝙蝠操作的原理），超聲波傳感器可在黑暗或明亮的環境中出色運行，克服光學傳感器的局限。

震動傳感器：工業震動傳感是預防性維護所必要的條件監控的核心部分。集成式電子壓電傳感器是工業環境中最常用的震動傳感器。

毫米波傳感器：毫米波傳感器使用無線電波及其回波來確定移動物體的方向和距離，方法是測量三個因素：速度、角度和范圍。這幫助機器人基于物體接近傳感器的快慢來采取更多的預防措施。雷達傳感器在黑暗環境中的運行具有卓越性能，它能通過如干壁、塑料和玻璃等材料進行傳感。

雖然在工廠車間里人類仍然執行大部分任務，但機器人將適應人類工作、提高自動化程度。為實現這一目標，他們需要配備更多的 AI 功能，以實時識別和適應各類情況，這只有在 AI 處在最前沿時才有可能實現。