1、機器視覺硬件可采集周圍環境信息

目前常用的視覺傳感器主要有：攝像頭、ToF 鏡頭和激光雷達技術。

機器視覺相機 。機器視覺相機的目的是將通過鏡頭投影到傳感器的圖像傳送到能夠儲存、分析和（或者）顯示的機器設備上。可以用一個簡單的終端顯示圖像，例如利用計算機系統顯示、存儲以及分析圖像。

激光雷達技術 。激光雷達是一種采用非接觸激光測距技術的掃描式傳感器，其工作原理與一般的雷達系統類似，通過發射激光光束來探測目標，并通過搜集反射回來的光束來形成點云和獲取數據，這些數據經光電處理后可生成為準確的三維立體圖像。采用這項技術，可以準確的獲取G精度的物理空間環境信息，測距精度可達厘米J。

ToF 攝像頭技術 。TOF 是飛行時間（Time of Flight）技術的縮寫，即傳感器發出經調制的近紅外光，遇物體后反射，傳感器通過計算光線發射和反射時間差或相位差，來換算被拍攝景物的距離，以產生深度信息，此外再結合傳統的相機拍攝，就能將物體的三維輪廓以不同顏色代表不同距離的地形圖方式呈現出來。

2、 AI 視覺技術算法幫助機器人識別周圍環境

視覺技術包括：人臉技術、物體檢測、視覺問答、圖像描述、視覺嵌入式技術等。

人臉技術：人臉檢測能快速檢測人臉并返回人臉框位置，準確識別多種人臉屬性；人臉比對通過提取人臉的特征，計算兩張人臉的相似度并給出相似度百分比；人臉查找是在一個指定人臉庫中查找相似的人臉；給定一張照片，與指定人臉庫中的 N 個人臉進行比對，找出相似的一張臉或多張人臉。根據待識別人臉與現有人臉庫中的人臉匹配程度，返回用戶信息和匹配度，即 1：N 人臉檢索。

物體檢測：基于深度學習及大規模圖像訓練的物體檢測技術，可準確識別圖片中的物體類別、位置、置信度等綜合信息。

視覺問答：視覺問答（VQA）系統可將圖片和問題作為輸入，產生一條人類語言作為輸出。

圖像描述：需要能夠抓住圖像的語義信息，并生成人類可讀的句子。

視覺嵌入式技術：包括人體檢測跟蹤、場景識別等。

3、 SLAM 技術賦予機器人更好的規劃移動的能力

SLAM，全稱叫做 Simultaneous Localization and Mapping，中文叫做同時定位與建圖。在SLAM 理論中，D一個問題稱為定位（Localization），第二個稱為建圖（Mapping），第三個則是隨后的路徑規劃。通過機器視覺的映射，機器人可以通過復雜的算法同時定位并繪制出位置環境的地圖，通過 SLAM 技術可以有效解決規劃不合理，路徑規劃無法覆蓋所有地區，導致清潔效果一般的問題。

▲SLAM 技術

當完全不含 SLAM 的時候，由于沒有地圖沒有路徑規劃，掃地機器人每次碰到障礙物會沿著隨機方向折返，無法覆蓋到每一個區域。當有 SLAM 的時候，可覆蓋至任意區域。此外，掃地機器人還配備攝像頭，用來識別鞋、襪子、動物糞便等物品，達到智能規避。

4、基于 ToF 機器視覺的超寬帶定位技術

機器人中，基于 ToF 技術，主要可用來進行G精度測距與定位，目前常用的就是超寬帶定位技術。

UWB（超寬帶）是一種無線通信技術，可用于G精度測距與定位。UWB 傳感器精簡設備分為標簽和基站兩種。其基本工作方式是采用 TOF（Time of flight）的方式來進行無線測距，根據測距值快速準確計算出位置。

5、 AI 自然語言處理是人機交互的重要技術

人類獲取信息的手段中 90％依靠視覺，但表達自己的方式 90％依靠語言。語言是人機交互中自然的方式。但是自然語言處理 NLP 的難度很大，在語法、語義、文化中均存在差異，還有方言等非標準的語言產生。隨著 NLP 的成熟，人類與機器的語音交互越來越便捷，也將推動機器人向更“智能化”發展。

機器人的陣列式麥克風和揚聲器技術已經比較成熟，隨著近年智能音箱＋語音助手的快速發展，麥克風陣列和微型揚聲器被廣泛使用。 在鋼鐵俠陪伴機器人中，與用戶的語音交互都依靠麥克風陣列和揚聲器，此類陪伴機器人就如同會動的“智能音箱”，拓展了邊界形態。

目前對話機器人可分為通用對話機器人和專業L域對話機器人。自然語言處理的技術發展，將提升機器人與人類的交互體驗，讓機器人顯得更為“智能”。

6、 AI 深度學習算法幫助機器人向產生自我意識中進化

硬件：AI 芯片技術的發展，使機器人擁有更G算力。 由于摩爾定律的發展，單位面積芯片容納的晶體管個數不斷增長，推動芯片小型化和 AI算力的提升。此外，異構芯片如 RISC－V 架構芯片的產生，也為 AI 芯片的算力提升提供了硬件支持。

算法：AI 深度學習算法是機器人的未來 。AI 深度學習算法給予機器人通過輸入變量學習的能力。未來的機器人能否擁有自主意識，需要 AI 技術的不斷發展。 深度學習算法給機器人獲得自我意識提出了一種可能性。通過對神經網絡模型的訓練，一些算法已經可以在單點的L域超越人類，Alpha Go 的成功，讓我們看到人類在 AI 技術中，已可實現單類別的自我學習能力，并在一些L域，如“圍棋、德州撲克、知識競賽”等單個L域已經可以媲美甚至打敗人類。

AI 深度學習算法，使機器人擁有了智能決策的能力，擺脫了之前單一輸入對應單一輸出的編程邏輯，也讓機器人更加“智能”。 但是，機器人在“多模態”L域，仍無法與人類媲美。特別是如嗅覺、味覺、觸覺、心理學等無法量化的信號，仍未能找到合理的量化方式。

7、 AI＋5G 拓展機器人的活動邊界，提供更大算力和更多存儲空間，形成知識共享

4G 時代，移動機器人的四大痛點 ：

1）工作范圍受限：只能在固定的范圍內執行任務，構建的地圖不便于共享，難以在大尺度環境下工作。

2） 業務覆蓋受限：運算有限，識別性能仍需提升；能力有限，僅能發現問題，難以快速批量部署。

3） 提供服務受限：復雜業務能力差，交互能力有待提G，特種業務部署效率低。

4） 運維成本G：部署效率低，每個場景都需構建地圖，規劃路徑；，配備巡檢任務等。

這四大痛點，制約了移動機器人在 4G 時代的滲透。總體來說，就是機器人仍需要更多的存儲空間和更強的運算能力。5G 的低延時、G速率、廣連接將能夠解決目前的這些痛點。

5G 對于移動機器人的賦能：

1）拓展機器人的工作范圍 。5G 對于機器人的大賦能就是拓展了機器人的物理邊界，5G 對于 TSN（時間敏感網絡）的支持，使機器人的活動邊界從家庭走向社會的方方面面。我們大可以想象未來人類與機器人共同生活的場景。在物流、零售、巡檢、安保、消防、指揮交通、醫療等方面，5G 和 AI 都能夠賦能機器人，幫助人類實現智慧城市。

2） 為機器人提供更大算力和更多存儲空間，形成知識共享。5G 對云機器人的推動，為機器人提供更大算力和更多存儲空間：彈性分配計算資源：滿足復雜環境中的同步定位和制圖。訪問大量數據庫：識別和抓取物體；基于外包地圖的長期定位。形成知識共享 ：多機器人間形成知識共享。