若要让机器人与人类安全地协作，就须让机器人以某种方式感知世界，处理所收集的信息，并产生协作行动。因此，无论是传统工业机器人系统，还是当今最先进的协作机器人（Cobot），它们都要依靠传感器生成大量高度可变的数据。
资料图 协作机器人
协作机器人依靠传感器数据变得“自主”
协作机器人是一种能够用在协作环境中的机器人，协作操作意味着机器人和人在定义的工作空间内同步工作，进行生产操作（这不包括机器人 + 机器人系统或同地协作、在不同时间进行操作的人与机器人）。
因为，协作机器人通常位于“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。但是如果不断限制人类/机器人协作，会大幅度降低机器人的工作效率，因此，在这种情况下，若机器人具有自主运行的功能，就可以支持安全高效的人类与机器人的共存。定义和部署协作机器人，可预测机器人的实体部分（如实际功能扩展，比方说激光）与操作员的潜在冲突。
而传感器收集的数据有助于协作机器人构建更佳的机器学习（ML）和人工智能（AI）模型，协作机器人依靠这些模型将变得“自主”，可在动态的现实环境中做出实时性决策和导航。
更重要的是，这会利用传感器来确定操作员的精确位置和速度。
协作机器人制造者必须在机器人系统中实施高水平的环境感应和冗余，以便快速探测和防止可能的冲突。而集成式传感器与控制单元连接，将可传感机器人臂与人或其他对象的迫在眉睫的冲突，控制单元将立即关闭机器人。如果任何传感器或其电子电路故障，机器人也将关闭。
机器人的AI处理正下沉至网络边缘
在以上的操作中可以发现，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。
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。
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。
比如，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等功能。
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。而当今数量广泛且日益完善和精确的传感器，能够结合所有将这些传感器数据融汇在一起的系统，可以支持机器人具有越来越好的知觉和意识。