无论是传统的工业机器人系统，还是当今最先进的协作机器人（Cobot），它们都要依靠可生成大量高度可变数据的 传感器 。这些数据有助于构建更佳的 机器学习（ML）和人工智能（ AI ）模型。而机器人依靠这些模型变得“自主”，可在动态的现实环境中做出实时决策和导航。
工业机器人通常位于“封闭”环境中，出于安全原因，如果该环境中有人类进入，机器人会停止移动。但是限制人类/机器人协作，也使得很多益处无法实现。具有自主运行功能的机器人，可以支持安全高效的人类与机器人的共存。
机器人应用的传感和智能感知非常重要，因为机器人系统的高效性能，特别是ML/AI系统， 在很大程度上取决于为这些系统提供关键数据的传感器的性能。当今数量广泛且日益完善和精确的传感器，结合能够将所有这些传感器数据融汇在一起的系统，就可以支持机器人具有越来越好的知觉和意识。
机器人自动化一直以来都是 制造 业的革命性技术，将AI集成到机器人中显然将在未来数年中使机器人技术产生巨大变化。本文探讨了当今机器人、自动化和把AI及AI所需数据紧紧链接在一起从而实现智能的最重要技术的某些关键发展趋势，还讨论了如何在AI系统中使用以及融汇不同的传感器。
机器学习（ML）包括两个主要部分：培训和推理，可以在完全相异的处理平台上执行它们。培训通常是以离线方式在桌面上进行或在云端完成，并且包括将 大数据 集入 神经网络 。在此阶段，实时性能或功能都不是问题。培训阶段的结果是在部署时已经有了一个经过培训的AI系统，该系统能够执行特定任务，例如，调查组装线上的瓶颈问题、计算和跟踪一个房间内的人员或确定账单是否是伪造的。
但是，为了让AI实现其在许多行业的应用前景，在推理（执行培训后的ML算法）期间必须实时或近实时完成传感器数据的融合。为此，设计师需要在边缘实施ML和 深度学习 模型，将推理功能部署到嵌入式系统中。
举例来说，在工作场所设立协作机器人，与人进行密切协作。它需要使用来自近场传感器及视觉传感器的数据，来确保它在成功防止人类受到伤害的同时，支持人类完成对于他们来说有难度的活动。所有这些数据都需要实时处理，但是云的速度达不到协作机器人需要的实时、低延时响应。要攻克这个瓶颈，人们把当今先进的AI系统发展到了边缘领域，即，机器人意味着存在于边缘设备中。
这种分布式AI模型依赖于高度集成的处理器，这种处理器具有：丰富的外围设备组，用于对接不同传感器；高性能处理功能，以运行 机器视觉 算法；加速深入学习推理的方法。此外，所有这些功能还必须高效工作，并且功耗相对低，体积相对小，以便由边缘承载它们。
随着ML的普及，我们经过功耗和尺寸优化的“推理引擎”的可获得性也越来越高。这些引擎是专为执行ML推理而专门设计的硬件产品。集成式片上系统（SoC）在嵌入式空间内通常是好的选择，因为除包裹能运行深度学习推理的各种处理元件外，SoC还集成了使嵌入式应用变得完整的许多必要部件。
（以上内容整理自网络，如有侵权请联系删除！）
