新的視覺技術

隨著機器人逐漸被應用于世界各地的工廠，研發視覺系統，使機器人可以識別物體，進行安全導航，被提上日程。

近年來，視覺硬件（如激光雷達）已經變得更便宜、更有效，并且得到了更廣泛的應用。如今，許多初創公司都在使用基于新的視覺技術的協作機器人，它們裝載著傳感器，人類員工可以站在它身邊進行操控。

大約1996年，有許多不同的形狀和大小的協作機器人被發明了出來，根據人類工作場所進行了設計。這種機器人容易重新編程，相對自治，力量上遠不如低技術型工業機器人。

協作機器人在小型工廠環境找到了“絕佳位置”，進行3D打印，制造醫療設備，或完成更多的認知任務，如倉庫訂單揀選等。在那里，人類員工也參與工作。

機器人的認知

教機器人適配環境（map）和操作物體，是一項艱巨的任務。有幸的是，谷歌的DeepMind和UC伯克利的一些研究進展已經成功證明了“一次性學習”（one-shot learning）的可行性，即協作機器人可以在沒有大量訓練數據的情況下識別新的對象。

未來的機器人可能只需要觀察人類員工的工作流程就能完成任務學習；或者操作者可以使用VR手勢進行編程（協變開創的方法），使機器人掌握工作方式。

雖然這項技術還有很長的路要走，但今天的技術已經足夠成熟到可以讓機器人和人類協同工作了。目前，協作機器人和它的麻吉AGVs（自動引導車輛/運輸機器人），已經成為制造業和倉庫環境的標準配置。

機器人可以很容易地完成重復的、可預測的任務。

但是對于結構化相對不明顯的任務，例如從一個隨機分類中挑選出一個項目，對應著很多更獨特的場景，就需要特別的算法。真正的協同工作情況下，運輸機器人就必須自主地“看到”人類員工的行動，并采取相應行動。

開發處理這些邊緣情況的算法成為了前沿的人工智能（AI）、計算機視覺和自動駕駛研究課題。

在人工智能和機器學習上，為90%的場景自動化路徑很容易——難的是最后的“一公里”。頂級風投A16Z的Benedict Evans指出，機器學習是要解決那種對機器來說很難，對人來說很容易的問題，或者說，是人們很難描述成計算機語言的問題。

隨著機器學習工具的廣泛普及，初創公司正注力于計算機視覺，以支持新一輪的機器人技術。

靈巧性的追求

雖然機器人變得越來越普遍，但它們還沒有開發出我們所期待的智能或靈巧性，就像摩登家庭或終結者2想象的那樣。著名的機器人學家Hans Moravec在莫拉維克悖論中提出：

“讓計算機在智力測試或西洋跳棋上表現出成人水平的表現是比較容易的，在感知和移動性方面，很難或不可能賦予他們一歲人類的水平。”

換句話說，高級推理只需要很少的計算，但是低水平的感覺或運動技能需要巨大的計算資源。靈巧性是機器人學的一大挑戰，相對而言，改進硬件是更加有效的途徑。

高投資回報

更便宜、更好的協作機器人硬件為專注于計算機視覺和定制軟件的初創公司提供了機遇。最大的協作機器人制造商是丹麥的Universal Robots（優傲），2015年被美國的TelaDaye（泰瑞達）收購，它家的協作機械臂為初創公司提供鎬鏟（picks-and-shovels）。

有著風投背景的初創公司，如Ready Robotics、Fetch Robotics和Voodoo Manufacturing都利用優傲的協作機械臂構建機器人系統。Ready Robotics正在為工業自動化任務提供機器人服務（RAS）。Fetch Robotics的協作機器人執行電子商務分揀，Voodoo Manufacturing使用協作機器人進行多個3D打印機的自動化管理。

根據優傲的說法，有些機械臂平均工作195天就能回本。在整個行業中，協作機器人的平均售價為24000美元，據估計這在2020年將是30億美元的市場。

機械手

盡管靈巧度有所提高，但通用的末端執行器——一種能操縱任何物體的機械手，仍然難以實現。

現在的機械手沒辦法兼容多項任務，但初創公司正在動用聰明的黑客，探索末端執行器抓取各種各樣的對象。