無論是傳統的工業機器人系統，還是當今最先進的協作機器人（Cobot），它們都要依靠可生成大量高度可變數據的 傳感器 。這些數據有助于構建更佳的 機器學習 （ML）和人工智能（ AI ）模型。而機器人依靠這些模型變得“自主”，可在動態的現實環境中做出實時決策和導航。 

工業機器人通常位于“封閉”環境中，出于安全原因，如果該環境中有人類進入，機器人會停止移動。但是限制人類/機器人協作，也使得很多益處無法實現。具有自主運行功能的機器人，可以支持安全高效的人類與機器人的共存。 

機器人應用的傳感和智能感知非常重要，因為機器人系統的高效性能，特別是ML/AI系統， 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。當今數量廣泛且日益完善和精確的傳感器，結合能夠將所有這些傳感器數據融匯在一起的系統，就可以支持機器人具有越來越好的知覺和意識。 

機器人自動化一直以來都是 制造 業的革命性技術，將AI集成到機器人中顯然將在未來數年中使機器人技術產生巨大變化。本文探討了當今機器人、自動化和把AI及AI所需數據緊緊鏈接在一起從而實現智能的最重要技術的某些關鍵發展趨勢，還討論了如何在AI系統中使用以及融匯不同的傳感器。 

ML包括兩個主要部分：培訓和推理，可以在完全相異的處理平臺上執行它們。培訓通常是以離線方式在桌面上進行或在云端完成，并且包括將 大數據 集入 神經網絡 。在此階段，實時性能或功能都不是問題。培訓階段的結果是在部署時已經有了一個經過培訓的AI系統，該系統能夠執行特定任務，例如，調查組裝線上的瓶頸問題、計算和跟蹤一個房間內的人員或確定賬單是否是偽造的。 

但是，為了讓AI實現其在許多行業的應用前景，在推理（執行培訓后的ML算法）期間必須實時或近實時完成傳感器數據的融合。為此，設計師需要在邊緣實施ML和 深度學習 模型，將推理功能部署到嵌入式系統中。 

舉例來說，在工作場所設立協作機器人（如圖1），與人進行密切協作。它需要使用來自近場傳感器及視覺傳感器的數據，來確保它在成功防止人類受到傷害的同時，支持人類完成對于他們來說有難度的活動。所有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需要的實時、低延時響應。要攻克這個瓶頸，人們把當今先進的AI系統發展到了邊緣領域，即，機器人意味著存在于邊緣設備中。 

這種分布式AI模型依賴于高度集成的處理器，這種處理器具有：豐富的外圍設備組，用于對接不同傳感器；高性能處理功能，以運行 機器視覺 算法；加速深入學習推理的方法。此外，所有這些功能還必須高效工作，并且功耗相對低，體積相對小，以便由邊緣承載它們。 

隨著ML的普及，我們經過功耗和尺寸優化的“推理引擎”的可獲得性也越來越高。這些引擎是專為執行ML推理而專門設計的硬件產品。集成式片上系統（SoC）在嵌入式空間內通常是好的選擇，因為除包裹能運行深度學習推理的各種處理元件外，SoC還集成了使嵌入式應用變得完整的許多必要部件。