在傳統的工業機器人里傳感器的種類與數量已經不少了，壓力、溫度、速度等等方面都少不了傳感器提供的關鍵數據。隨著機器人的升級換代，機器人與人在同一環境里協作、合作的趨勢愈發明顯。不僅是在工業場景中，日常生活中機器與人類共存的案例也多了起來。這意味著機器人傳感與感知的能力越來越重要。

機器人系統的性能，尤其是偏智能化的性能，在很大程度上取決于傳感系統提供關鍵的數據，尤其是ML和AI系統開始在機器人應用中普及后。現在各種精密的傳感器，再加上能夠將傳感器數據進行深度融合整理的系統讓機器人擁有了出色的感知，機器人與人共同協作不再是不可能實現的事。

ML與AI，傳感數據融合邊緣化處理

機器學習ML在機器人行業流行的時間并不短，但真正開始應用還是近幾年的事情，離整個行業開始廣泛應用還需時日。機器深度學習分訓練和推理，訓練過程通常在云中離線進行，需要將大量的傳感器數據反饋到神經網絡中。訓練完成后的AI系統可以在協作機器人中完成檢測物品、識別人員等等應用。

（機器人感知，TI）

在ML執行算法的推理階段需要融合傳感器數據做出判斷，而且這個過程幾乎是實時的，只有實時融合傳感器數據做出推理才能達到機器的協作性，云計算的速度肯定是不能滿足協作要求的實時低延遲響應。所以ML和AI系統需要放在邊緣。

去中心化的AI模型相當依賴高集成度的處理芯片，而且必須要在底層芯片設計上就考慮好算法模型在不同場景中有限的部署條件，包括算力、功耗和硅片面積的分配。在大量的數據中篩選高質量的傳感器數據并不一件容易的事情，在芯片上執行深度學習任務需要芯片的硬件傳感器的持續優化。

推理引擎不僅需要豐富的外設來連接各種傳感器，還需要可以支撐機器視覺算法的高性能處理能力。國產的邊緣AI芯片在機器人應用上走得并不慢，不管是在移動機器人上應用廣泛的地平線旭日系列，還是在機器視覺上取得突破的嘉楠勘智系列，可以看到國產芯片在性能、功耗、靈活性和成本之間找到了一個較為平衡的點。SoC也是一個不錯的選擇，集成式的SoC可以讓單芯片的方案不局限于運行ML和AI，在整個傳感器組件的融合上也能出一份力。

（勘智系列，嘉楠）

協作機器人與移動機器人融合傳感技術應用

協作機器人在部署前需要預見并定義在物理空間內可能與人員之間發生的碰撞，如果考慮到激光等其他傳感，在虛擬空間上同樣需要預見可能出現的干擾。高水平的環境感知能力必須做到充分的冗余度，來做到快速檢測并防止可能發生的碰撞。這極度依賴于各類傳感器提供的大量環境數據信息，并且處理芯片能快速通過ML推理實現實時的判斷。

（協作機器人，TI）

機器人內部的溫濕度傳感同樣重要，不僅要對工作環境還要對機器人組件內部進行溫濕度監控，否則電機在重負載下的發熱與功耗是一大隱患。目前幾乎所有用于機器人的傳感器件都是溫度敏感元件并且設置了熱補償，該趨勢大大提升了傳感應用的穩定性。

移動機器人的傳感應用就更多了，定位、繪圖、導航、識別每個功能都離不開傳感數據的融合與處理。超聲波、IMU、紅外、激光雷達、毫米波雷達都是為機器人系統提供環境數據的器件，配合ML推理進行深度的環境分析，移動機器人可以達到實時感知周圍任何目標的智能程度。

基于DLP技術的3DToF通過靈活的結構光在分辨率的提升上可以做到更小的尺寸，這類傳感不僅能讓機器在定位地圖構建上更精確更深度，還能將分辨率提高數個級別，結合AI與ML能達到很高的定位精度；振動傳感器這一類用于檢測機器人內部器件的傳感，在傳感技術融合的升級過程中將預測的準確性再次做了提高；毫米波雷達更不用說，作為取代傳統機器人移動傳感的先進技術，在融合IMU或者GNSS后，結合ML幾乎可以完成機器人移動功能的所有需求……

小結

各種精密傳感器的融合只是傳感技術升級的開始，現在機器學習與AI技術也開始與傳感器件開始融合，對傳感器數據進行匯總、篩選、訓練、判斷。技術與硬件深度融合的機器人傳感系統開始擁有了出色的實時感知能力，在機器人行業鋪開應用也許已指日可待。