介紹：無論是傳統的工業機器人系統，還是最先進的協作機器人(Cobot)，都依賴于能夠產生大量高度可變數據的傳感器。這些數據有助于構建更好的機器學習(ML)和人工智能(AI)模型。機器人依靠這些模型變得自主，可以在動態的真實環境中做出實時決策.

傳統的工業機器人系統和最先進的協作機器人(Cobot)都依賴于能夠產生大量高度可變數據的傳感器。這些數據有助于構建更好的機器學習(ML)和人工智能(AI)模型。機器人依靠這些模型變得“自主”，能夠在動態的真實環境中做出實時決策和導航。

工業機器人通常位于“封閉”的環境中。出于安全原因，如果人類進入環境，機器人將停止移動。然而，人/機器人合作的限制也使得許多利益成為不可能。具有自主操作功能的機器人可以支持人類和機器人安全高效的共存。

機器人應用的傳感和智能傳感非常重要，因為機器人系統，尤其是ML/AI系統的高效性能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。如今，大量日益完善和精確的傳感器，結合一個可以集成所有這些傳感器數據的系統，可以支持機器人具有更好的感知和意識。

機器人自動化一直是制造業的一項革命性技術，將AI融入機器人顯然會在未來幾年給機器人技術帶來巨大的變化。本文討論了機器人、自動化以及人工智能與人工智能數據緊密結合實現智能化的關鍵技術的發展趨勢，并討論了人工智能系統中不同傳感器的使用和集成。

機器學習(ML)包括訓練和推理兩個主要部分，可以在完全不同的處理平臺上執行。培訓通常在桌面或云中離線進行，包括將大數據集成到神經網絡中。在這個階段，實時性能或功能不是問題。作為培訓階段的結果，在部署時已經有一個經過培訓的AI系統，它可以執行特定的任務，例如調查裝配線上的瓶頸、計算和跟蹤房間中的人員，或者確定賬單是否是偽造的。

然而，為了使人工智能在許多行業中實現其應用前景，在推理過程中(執行訓練好的最大似然算法)，必須實時或接近實時地完成傳感器數據的融合。因此，設計人員需要在邊緣實現ML和深度學習模型，并將推理功能部署到嵌入式系統中。

例如，在工作場所設置一個合作機器人，與人密切合作。它需要使用來自近場傳感器和視覺傳感器的數據，以確保它能夠成功地防止人類受到傷害，并支持人類為他們完成困難的活動。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所需的實時、低延遲響應。為了克服這一瓶頸，人們將當今先進的人工智能系統開發到了邊緣領域，即機器人意味著存在于邊緣設備中。

這種分布式AI模型依靠高度集成的處理器，擁有豐富的外設用于對接不同的傳感器；運行機器視覺算法的高性能處理功能；加速深入學習和推理的方法。此外，所有這些功能都必須高效工作，功耗相對較低，尺寸相對較小，以便邊緣可以承載。

隨著ML的普及，我們通過功耗和尺寸優化的“推理機”的可用性越來越高。這些引擎都是專門為執行ML推理而設計的硬件產品。集成片上系統(SoC)在嵌入式空間通常是一個很好的選擇，因為SoC不僅包裹了各種可以運行深度學習推理的處理元素，還集成了許多必要的組件，使嵌入式應用程序完整。

(以上內容是從網絡上組織的。如有侵權，請聯系刪除！)