時值全球自動化浪潮和中國制造2025的戰(zhàn)略布局，制造業(yè)對工業(yè)機器人的需求高漲，而投資者也將在高投資回報、更新快速的龐大市場的驅(qū)動下，下注機器人布局。相比于笨重、危險，僅適用于大型環(huán)境的傳統(tǒng)工業(yè)機器人，協(xié)作型機器人正在克服挑戰(zhàn)，顛覆產(chǎn)業(yè)。
以下為智能內(nèi)參整理呈現(xiàn)的干貨：
COBOT打開百億市場
　　20世紀60年代初，德沃爾2000磅重的Unimate arm在通用汽車工廠安了家，這是第一個工業(yè)機器人，負責熱壓鑄金屬。Unimate arm可以抓握、焊接、鉆孔和噴灑，液壓臂的路徑使用磁鼓式硬盤驅(qū)動器進行編程。
　　再往前走五十年，機器人的定義有了翻天覆地的變化，現(xiàn)代機器人是可編程的網(wǎng)絡(luò)物理機器，當然，不包括汽車和空中無人機。
　　通常說的工業(yè)機器人是大型的籠式裝置，用來代替人類重復(fù)、危險的工作。而隨著智能手機的革命和自動駕駛汽車的發(fā)展，更小、更靈巧、成本更低的機器人進入了工廠。
　　這些重量較輕、成本較低的機器人可以配備傳感器，使它們能夠在工業(yè)環(huán)境中與人類協(xié)同工作，成為“COBOT”（協(xié)作機器人）。機器人可以執(zhí)行特定的任務(wù)，如抓緊小物體、觀察，甚至學習處理“邊緣情況”（edge cases）。
　　盡管協(xié)作機器人僅占400億美元規(guī)模的工業(yè)機器人市場的很小一部分，但下一個十年將迅猛增長成為100億美元市場。
機器人的痛點和解法
　　從歷史上看，機器人行業(yè)在很大程度上一直困擾著一些問題：
1、視覺問題：允許機器人識別和導(dǎo)航物體（包括人）的視覺技術(shù)一直在緩慢改進，公司依靠籠子來保護人類，同時也就杜絕了近程操縱的可能。
2、靈巧性問題：機器人抓握和機械能力仍然有限。
3、低投資回報：昂貴的機器人價格加上低勞動力成本，阻礙了在農(nóng)業(yè)和制造等領(lǐng)域廣泛普及機器人技術(shù)的需求。
　　下文將詳述COBOT（協(xié)作機器人）如何應(yīng)對這些技術(shù)挑戰(zhàn)，并改變制造業(yè)、電子商務(wù)、農(nóng)業(yè)和食品服務(wù)等產(chǎn)業(yè)的。
新的視覺技術(shù)
　　隨著機器人逐漸被應(yīng)用于世界各地的工廠，研發(fā)視覺系統(tǒng)，使機器人可以識別物體，進行安全導(dǎo)航，被提上日程。
　　許多機器人的功能是在高度結(jié)構(gòu)化的環(huán)境中，執(zhí)行可重復(fù)的任務(wù)。因此，傳統(tǒng)的安全措施通常由一個籠子組成，簡單有效的避免了人類與機器人接觸產(chǎn)生的危險。但現(xiàn)在，變化正在發(fā)生。
　　近年來，視覺硬件（如激光雷達）已經(jīng)變得更便宜、更有效，并且得到了更廣泛的應(yīng)用。如今，許多初創(chuàng)公司都在使用基于新的視覺技術(shù)的協(xié)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，有許多不同的形狀和大小的協(xié)作機器人被發(fā)明了出來，根據(jù)人類工作場所進行了設(shè)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(shù)型工業(yè)機器人。
　　協(xié)作機器人在小型工廠環(huán)境找到了“絕佳位置”，進行3D打印，制造醫(yī)療設(shè)備，或完成更多的認知任務(wù)，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(huán)境（map）和操作物體，是一項艱巨的任務(wù)。有幸的是，谷歌的DeepMind和UC伯克利的一些研究進展已經(jīng)成功證明了“一次性學習”（one-shot learning）的可行性，即協(xié)作機器人可以在沒有大量訓(xùn)練數(shù)據(jù)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(wù)學習；或者操作者可以使用VR手勢進行編程（協(xié)變開創(chuàng)的方法），使機器人掌握工作方式。
　　雖然這項技術(shù)還有很長的路要走，但今天的技術(shù)已經(jīng)足夠成熟到可以讓機器人和人類協(xié)同工作了。目前，協(xié)作機器人和它的麻吉AGVs（自動引導(dǎo)車輛/運輸機器人），已經(jīng)成為制造業(yè)和倉庫環(huán)境的標準配置。
機器人可以很容易地完成重復(fù)的、可預(yù)測的任務(wù)。
　　但是對于結(jié)構(gòu)化相對不明顯的任務(wù)，例如從一個隨機分類中挑選出一個項目，對應(yīng)著很多更獨特的場景，就需要特別的算法。真正的協(xié)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(yīng)行動。
開發(fā)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(chuàng)公司正注力于計算機視覺，以支持新一輪的機器人技術(shù)。
　　Veo Robotics的創(chuàng)立者是Rethink Robotics的前雇員，公司旨在用“人類級眼睛”改造笨重的機械臂。Osaso則由Peter Thiel、Elad Gil和Sean Parker等人創(chuàng)立，面向制藥和食品服務(wù)等行業(yè)開發(fā)機器人配套的視覺軟件。
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(fā)出我們所期待的智能或靈巧性，就像摩登家庭或終結(jié)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(xiàn)出成人水平的表現(xiàn)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?！?BR>　　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(zhàn)，相對而言，改進硬件是更加有效的途徑。