自從工業(yè)革命以來，機器開始工作前，都需要人先動手。在整個20世紀50年代和60年代，工程師們嘗試用機器人作為工業(yè)發(fā)展的一種手段。1969年開發(fā)成功的Stanford Arm是一個六軸機器人，它可以連續(xù)模式重復移動和組裝零部件。這個發(fā)明讓機器人開始在裝配線上實際應(yīng)用，并隨之發(fā)展成了我們今天看到的機器人技術(shù)。

工業(yè)機器人是在制造業(yè)中使用的可編程自動化系統(tǒng)，通常能夠在兩個或多個軸上移動。這類機器人大多屬于機械臂，并具有一定程度的自主性，這意味著不需要人的控制，他們就能執(zhí)行某些任務(wù)，例如焊接、噴涂、提升、包裝以及檢測等。

工業(yè)機器人在汽車制造中最為常見。在汽車行業(yè)中，機器人通常承擔一些精細控制的工作，比如提升重物、噴涂和焊接。而人手則完成一些更復雜的工作，比如微小零部件或引導布線。這些機械臂通常很大，因此很難在工廠里四處移動。然而，現(xiàn)在的機器人較之以前更靈巧，他們可以挑戰(zhàn)人類才能完成的更復雜工作。比如丹麥Universal Robots公司生產(chǎn)的協(xié)作機器人，目前正在法國克里昂的雷諾工廠里給發(fā)動機擰螺絲，以前這項精細的任務(wù)只能由人工來完成。此外，在雷諾使用的機器人重約30公斤，很容易在工作場所周圍移動。這樣，制造商就可以不用花費大量的時間和金錢重新配置工廠，縮短定制產(chǎn)品的制造時間。


協(xié)作機器人

對于傳統(tǒng)工業(yè)機器人而言，由于其運行時的危險性，通常需要安裝防護圍欄，跟工人隔離。而協(xié)作機器人則完全不同，通過設(shè)計，它們可與工人在同一工作站中安全協(xié)同工作。這是因為他們具備以下特性：

•特別的設(shè)計讓他們可以在工人旁邊安全工作，一是限制力量大小避免人類受傷，二是通過傳感器避免機器人跟工人相接觸。

•輕量化設(shè)計，允許機器人根據(jù)需要可以從這邊移動到那邊。

•不需要太多的專業(yè)知識，讓大部分工人可以通過平板電腦或智能手機對機器人進行控制。

川崎機器人最近發(fā)布了他們第一款協(xié)作機器人duAro，它采用低功率電機、柔軟的外表、低速度以及共享工作區(qū)監(jiān)控，讓他們可以跟人類并肩協(xié)作。如果不幸發(fā)生碰撞，碰撞檢測功能會讓機器人馬上停下來?？梢酝ㄟ^人手引導機械臂進行示教，2公斤負載的機械臂可以完成諸如物料搬運、組裝、機器調(diào)整和分配等任務(wù)。duAro的安裝很簡單，基座上帶有輪子，一個工人就能輕松地將機器人移動到任何需要的地方。

人工智能

人工智能是機器人領(lǐng)域中發(fā)展最快的研究領(lǐng)域之一。AI允許通過學習來完成需要靈巧性和特殊意識的任務(wù)，這意味著機器人可以被引入新的場景并且無需預編程就能做出正確地反應(yīng)。加州大學伯克利分校的研究人員已經(jīng)開發(fā)出算法，“使機器人能通過試驗以及犯錯等更接近人類的學習方式來新的任務(wù)，這是人工智能領(lǐng)域的一個重要里程碑。”這項技術(shù)已經(jīng)成功應(yīng)用于多種場合，例如組裝玩具飛機，將瓶蓋擰在水瓶上，把衣架掛在架子上，這些任務(wù)往往都無法進行預編程。

深度學習是人工智能的另一個新分支，它的另一個名字叫人工神經(jīng)網(wǎng)絡(luò)（ANNs），人工神經(jīng)網(wǎng)絡(luò)是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的控制模式，用于估計取決于多個輸入的未知函數(shù)。人工神經(jīng)網(wǎng)絡(luò)通常被設(shè)計成能互相交換信息的“神經(jīng)元”連接組成的系統(tǒng)。這種連接有不同的數(shù)字權(quán)重，可以根據(jù)經(jīng)驗進行調(diào)整，使神經(jīng)網(wǎng)絡(luò)能夠適應(yīng)輸入，從而能夠?qū)W習。“深度學習”之所以成為深度，是因為人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，神經(jīng)元的層互相堆疊在一起。最底層收集一些原始數(shù)據(jù)，例如圖像、文本和聲音，每個神經(jīng)元都存儲他們遇到的相關(guān)信息。層中的每個神經(jīng)元將信息發(fā)送到下一層神經(jīng)元，并學習比低一層神經(jīng)元更抽象的信息。

此技術(shù)已經(jīng)成功應(yīng)用在蘋果Siri和谷歌Street View進行語音和視覺識別。此外，這些應(yīng)用還可以利用標記方向去解決更多問題，比如利用現(xiàn)有語音存儲數(shù)據(jù)。在非結(jié)構(gòu)化3D環(huán)境中移動沒有這些方向，因此是更大的挑戰(zhàn)。目前在UC Berkley的實驗中使用的機器人采用具有獎勵函數(shù)的算法，該算法基于機器人做設(shè)置任務(wù)的程度提供得分。攝像機追蹤機器人手臂和腿的位置并分析周圍環(huán)境，將實時得分反饋給機器人以便進行相應(yīng)的動作。相對于目標的最佳移動可以通過自己重復學習，然而，它目前只能計算大約92000個參數(shù)的“好”值，其優(yōu)化時間受數(shù)據(jù)處理硬件的限制。目前，沒有關(guān)于對象位置的先前數(shù)據(jù)，學習過程需要花費大約3小時。這種技術(shù)在生產(chǎn)線上商用之前，還有很長的路要走，但是該技術(shù)在未來的革命性效果將使得機器人能夠從頭開始學習復雜的任務(wù)。

本文來源于機器人網(wǎng)。



推薦閱讀：


驅(qū)動單元設(shè)計中出現(xiàn)了電磁兼容問題怎么辦？
適用于USB3.0的電路保護方案
逆變電源中的三種保護電路講解
無人機技術(shù)突破大盤點 2017年將走出新高度
多旋翼無人機成最熱產(chǎn)品，各種方案比較和發(fā)展趨勢