市場研究機構統計顯示，2015年中國工業機器人市場價值達13億美元，并將保持20%的年復合成長(CAGR)，到2020年達到33億美元。2015年，中國的工業機器人銷售收入占全球13%，到2020年將達到25%。美的花重金收購庫卡，大概也是看中工業機器人良好的發展勢頭。

        工業機器人屬于智能機器人的一種，智能機器人發展迅速，下面跟隨小編一起，了解一下智能機器人中用到的三大關鍵技術吧。

        一、多傳感器信息融合

        多傳感器信息融合技術是近年來十分熱門的研究課題，它與控制理論、信號處理、人工智能、概率和統計相結合，為機器人在各種復雜、動態、不確定和未知的環境中執行任務提供了一種技術解決途徑。

        數據融合的關鍵問題是模型設計和融合算法，數據融合模型主要包括功能模型、結構模型和數學模型。功能模型從融合過程出發，描述數據融合包括哪些主要功能和數據庫，以及進行數據融合時系統各組成部分之間的相互作用過程；結構模型從數據融合的組成出發，說明數據融合系統的軟、硬件組成，相關數據流、系統與外部環境的人機界面；數學模型是數據融合的算法和綜合邏輯，算法主要包括分布檢測、空間融合、屬性融合、態勢評估和威脅估計算法等，下面從3個方面分別進行介紹。

        1.信息融合的功能模型

        目前已有很多學者從不同角度提出了信息融合系統的一般功能模型，最有權威性的是DFS（美國三軍政府組織-實驗室理事聯席會（JDL）下面的C3I技術委員會（TPC3）數據融合專家組）提出的功能模型。

        該模型把數據融合分為3級。第1級是單源或多源處理，主要是數字處理、跟蹤相關和關聯；第2級是評估目標估計的集合，及它們彼此和背景的關系來評估整個情況；第3級用一個系統的先驗目標集合來檢驗評估的情況。

        2.信息融合的結構模型

        數據融合的結構模有多種不同的分類方法，其中一種分類標準是根據傳感器數據在送人融合處理中心之前已經處理的程度來進行分類。在這種分類標準下，融合結構被分為傳感器級數據融合，中央級數據融合及混合式融合，還可以根據數據處理過程的分辨率來對融合結構進行分類。在這種情況下，融合結構為像素級、特征級和決策級融合。

        3.多傳感器信息融合實現的數學模型

        信息融合的方法涉及到多方面的理論和技術，如信號處理、估計理論、不確定性理論、模式識別、最優化技術、模糊數學和神經網絡等這方面國外已經做了大量的研究。

        目前，這些方法大致分為兩類：隨機類方法和人工智能方法。

        二、導航與定位

        在機器人系統中，自主導航是一項核心技術，是機器人研究領域的重點和難點問題。自主移動機器人常用的導航定位方法有以下四種。

        1、視覺導航定位

        在視覺導航定位系統中，目前國內外應用較多的是基于局部視覺的在機器人中安裝車載攝像機的導航方式。在這種導航方式中，控制設備和傳感裝置裝載在機器人車體上，圖像識別、路徑規劃等高層決策都由車載控制計算機完成。視覺導航定位系統主要包括：攝像機（或CCD圖像傳感器）、視頻信號數字化設備、基于DSP的快速信號處理器、計算機及其外設等。現在有很多機器人系統采用CCD圖像傳感器，其基本元件是一行硅成像元素，在一個襯底上配置光敏元件和電荷轉移器件，通過電荷的依次轉移，將多個象素的視頻信號分時、順序地取出來，如面陣CCD傳感器采集的圖像的分辨率可以從32×32到1024×1024像素等。視覺導航定位系統的工作原理簡單說來就是對機器人周邊的環境進行光學處理，先用攝像頭進行圖像信息采集，將采集的信息進行壓縮，然后將它反饋到一個由神經網絡和統計學方法構成的學習子系統，再由學習子系統將采集到的圖像信息和機器人的實際位置聯系起來，完成機器人的自主導航定位功能。

        2、光反射導航定位

        典型的光反射導航定位方法主要是利用激光或紅外傳感器來測距。激光和紅外都是利用光反射技術來進行導航定位的。

        激光全局定位系統一般由激光器旋轉機構、反射鏡、光電接收裝置和數據采集與傳輸裝置等部分組成。工作時，激光經過旋轉鏡面機構向外發射，當掃描到由后向反射器構成的合作路標時，反射光經光電接收器件處理作為檢測信號，啟動數據采集程序讀取旋轉機構的碼盤數據（目標的測量角度值），然后通過通訊傳遞到上位機進行數據處理，根據已知路標的位置和檢測到的信息，就可以計算出傳感器當前在路標坐標系下的位置和方向，從而達到進一步導航定位的目的。

        如圖是一個LDSR激光傳感器系統原理框圖。激光測距具有光束窄、平行性好、散射小、測距方向分辨率高等優點，但同時它也受環境因素干擾比較大，因此采用激光測距時怎樣對采集的信號進行去噪等也是一個比較大的難題，另外激光測距也存在盲區，所以光靠激光進行導航定位實現起來比較困難，在工業應用中，一般還是在特定范圍內的工業現場檢測，如檢測管道裂縫等場合應用較多。

        紅外傳感技術經常被用在多關節機器人避障系統中，用來構成大面積機器人“敏感皮膚”，覆蓋在機器人手臂表面，可以檢測機器人手臂運行過程中遇到的各種物體。典型的紅外傳感器工作原理如圖所示。該傳感器包括一個可以發射紅外光的固態發光二極管和一個用作接收器的固態光敏二極管。由紅外發光管發射經過調制的信號，紅外光敏管接收目標物反射的紅外調制信號，環境紅外光干擾的消除由信號調制和專用紅外濾光片保證。設輸出信號Vo代表反射光強度的電壓輸出，則Vo是探頭至工件間距離的函數：

        Vo=f(x，p)

        式中，p—工件反射系數。p與目標物表面顏色、粗糙度有關。x—探頭至工件間距離。

        當工件為p值一致的同類目標物時，x和Vo一一對應。x可通過對各種目標物的接近測量實驗數據進行插值得到。這樣通過紅外傳感器就可以測出機器人距離目標物體的位置，進而通過其他的信息處理方法也就可以對移動機器人進行導航定位。

        雖然紅外傳感定位同樣具有靈敏度高、結構簡單、成本低等優點，但因為它們角度分辨率高，而距離分辨率低，因此在移動機器人中，常用作接近覺傳感器，探測臨近或突發運動障礙，便于機器人緊急停障。

        3、GPS全球定位系統

        如今，在智能機器人的導航定位技術應用中，一般采用偽距差分動態定位法，用基準接收機和動態接收機共同觀測4顆GPS衛星，按照一定的算法即可求出某時某刻機器人的三維位置坐標。差分動態定位消除了星鐘誤差，對于在距離基準站1000km的用戶，可以消除星鐘誤差和對流層引起的誤差，因而可以顯著提高動態定位精度。但是因為在移動導航中，移動GPS接收機定位精度受到衛星信號狀況和道路環境的影響，同時還受到時鐘誤差、傳播誤差、接收機噪聲等諸多因素的影響，因此，單純利用GPS導航存在定位精度比較低、可靠性不高的問題，所以在機器人的導航應用中通常還輔以磁羅盤、光碼盤和GPS的數據進行導航。另外，GPS導航系統也不適應用在室內或者水下機器人的導航中以及對于位置精度要求較高的機器人系統。

        4、超聲波導航定位

        超聲波導航定位的工作原理也與激光和紅外類似，通常是由超聲波傳感器的發射探頭發射出超聲波，超聲波在介質中遇到障礙物而返回到接收裝置。通過接收自身發射的超聲波反射信號，根據超聲波發出及回波接收時間差及傳播速度，計算出傳播距離S，就能得到障礙物到機器人的距離，即有公式：S=Tv/2式中，T—超聲波發射和接收的時間差；v—超聲波在介質中傳播的波速。

        當然，也有不少移動機器人導航定位中用到的是分開的發射和接收裝置，在環境地圖中布置多個接收裝置，而在移動機器人上安裝發射探頭。

        在移動機器人的導航定位中，因為超聲波傳感器自身的缺陷，如：鏡面反射、有限的波束角等，給充分獲得周邊環境信息造成了困難，因此，通常采用多傳感器組成的超聲波傳感系統，建立相應的環境模型，通過串行通信把傳感器采集到的信息傳遞給移動機器人的控制系統，控制系統再根據采集的信號和建立的數學模型采取一定的算法進行對應數據處理便可以得到機器人的位置環境信息。

        由于超聲波傳感器具有成本低廉、采集信息速率快、距離分辨率高等優點，長期以來被廣泛地應用到移動機器人的導航定位中。而且它采集環境信息時不需要復雜的圖像配備技術，因此測距速度快、實時性好。同時，超聲波傳感器也不易受到如天氣條件、環境光照及障礙物陰影、表面粗糙度等外界環境條件的影響。超聲波進行導航定位已經被廣泛應用到各種移動機器人的感知系統中。

        三、路徑規劃

        路徑規劃技術是機器人研究領域的一個重要分支。最優路徑規劃就是依據某個或某些優化準則(如工作代價最小、行走路線最短、行走時間最短等)，在機器人工作空間中找到一條從起始狀態到目標狀態、可以避開障礙物的最優路徑。

        移動機器人路徑規劃技術大概分為以下4類：模版匹配路徑規劃技術、人工勢場路徑規劃技術、地圖構建路徑規劃技術和人工智能路徑規劃技術。

        1.模版匹配路徑規劃技術

        模版匹配方法是將機器人當前狀態與過去經歷相比較，找到最接近的狀態，修改這一狀態下的路徑，便可得到一條新的路徑，即首先利用路徑規劃所用到的或已產生的信息建立一個模版庫，庫中的任一模版包含每一次規劃的環境信息和路徑信息，這些模版可通過特定的索引取得；隨后將當前規劃任務和環境信息與模版庫中的模版進行匹配，以尋找出一個最優匹配模版；然后對該模版進行修正，并以此作為最后的結果，模版匹配技術在環境確定情況下，有較好的應用效果，如Vasudevan等提出的基于案例的自治水下機器人(AUV)路徑規劃方法，Liu等提出的清潔機器人的模版匹配路徑規劃方法，為了提高模版匹配路徑規劃技術對環境變化的適應性，部分學者提出了將模版匹配與神經網絡學習相結合的方法，如Ram等將基于事例的在線匹配和增強式學習相結合，提高了模版匹配規劃方法中機器人的自適應性能，使機器人能部分地適應環境的變化，以及Arleo等將環境模版與神經網絡學習相結合的路徑規劃方法等。

        2.人工勢場路徑規劃技術

        人工勢場路徑規劃技術的基本思想是將機器人在環境中的運動視為一種機器人在虛擬的人工受力場中的運動。障礙物對機器人產生斥力，目標點對機器人產生引力，引力和斥力的合力作為機器人的控制力，從而控制機器人避開障礙物而到達目標位置。

        早期人工勢場路徑規劃研究是一種靜態環境的人工勢場，即將障礙物和目標物均看成是靜態不變的，機器人僅根據靜態環境中障礙物和目標物的具體位置規劃運動路徑，不考慮它們的移動速度。然而，現實世界中的環境往往是動態的，障礙物和目標物都可能是移動的，為了解決動態環境中機器人的路徑規劃問題，Fujimura等提出一種相對動態的人工勢場方法，將時間看成規劃模型的一維參量，而移動的障礙物在擴展的模型中仍被看成是靜態的，這樣動態路徑規劃仍可運用靜態路徑規劃方法加以實現。該方法存在的主要問題是假設機器人的軌跡總是已知的，但這一點在現實世界中難以實現，對此，Ko等將障礙物的速度參量引入到斥力勢函數的構造中，提出動態環境中的路徑規劃策略，并給出了仿真結果。

        但是，該方法的兩個假設使其與實際的動態環境存在距離：（1）僅考慮環境中障礙物的運動速度，未考慮機器人的運動速度；（2）認為障礙物與機器人之間的相對速度是固定不變的，這不是完整的動態環境。對于動態路徑規劃問題來說，與機器人避障相關的主要是機器人與障礙物之間的相對位置和相對速度，而非絕對位置和速度，對此，Ge等將機器人與目標物的相對位置與相對速度引入吸引勢函數，將機器人與障礙物的相對位置與相對速度引入排斥勢函數，提出動態環境下的機器人路徑規劃算法，并將該算法應用于全方位足球移動機器人的路徑規劃中，取得了比較滿意的仿真與實驗結果。

        3.地圖構建路徑規劃技術

        地圖構建路徑規劃技術，是按照機器人自身傳感器搜索的障礙物信息，將機器人周圍區域劃分為不同的網格空間（如自由空間和限制空間等），計算網格空間的障礙物占有情況，再依據一定規則確定最優路徑，地圖構建又分為路標法和柵格法，也稱單元分解法。前者是構造一幅由標志點和連接邊線組成的機器人可行路徑圖，如可視線方法、切線圖方法、Voronoi圖方法和概率圖展開法等。

        可視圖法將機器人看成一個點，機器人、目標點和多邊形障礙物的各頂點進行組合連接，并保證這些直線均不與障礙物相交，便形成一張圖，稱為可視圖，由于任意兩直線的頂點都是可見的，從起點沿著這些直線到達目標點的所有路徑均是運動物體的無碰路徑，路徑規劃就是搜索從起點到目標點經過這些可視直線的最短距離問題；切線圖法和Voronoi圖法對可視圖法進行了改造，切線圖法以多邊形障礙物模型為基礎，任意形狀障礙物用近似多邊形替代，在自由空間中構造切線圖，因此從起始點到目標點機器人是沿著切線行走，即機器人必須幾乎接近障礙物行走，路徑較短，但如果控制過程中產生位置誤差，移動機器人碰撞的可能性會很高，Voronoi圖由一系列的直線段和拋物線段構成，直線由兩個障礙物的頂點或兩個障礙物的邊定義生成，直線段上所有點必須距離障礙物的頂點或障礙物的邊相等，拋物線段由一個障礙物的頂點和一個障礙物的邊定義生成，拋物線段同樣要求與障礙物頂點和障礙物的邊有相同距離，與切線法相比，Voronoi圖法從起始節點到目標節點的路徑將會增長，但采用這種控制方式時，即使產生位置誤差，移動機器人也不會碰到障礙物，安全性較高。

        柵格法是將機器人周圍空間分解為相互連接且不重疊的空間單元；柵格(cell)，由這些柵格構成一個連通圖，依據障礙物占有情況，在此圖上搜索一條從起始柵格到目標柵格無碰撞的最優路徑．這其中根據柵格處理方法的不同，又分為精確柵格法和近似柵格法，后者也稱概率柵格法。精確柵格法是將自由空間分解成多個不重疊的單元，這些單元的組合與原自由空間精確相等，如下圖就是常用的一種精確柵格分解法一一梯形柵格分解。

        與精確柵格法不同，近似柵格法的所有柵格都是預定的形狀，通常為矩形，整個環境被分割成多個較大的矩形，每個矩形之間都是連續的，典型的方法是“四叉樹”法，如果大矩形內部包含障礙物或者邊界，則將其分割成4個小矩形，對所有稍大的柵格都進行這種劃分，然后在劃分的最后界限內形成的小柵格間重復執行該程序，直到達到解的界限為止。

        地圖構建法直觀明了，它常與其他路徑規劃方法集成使用，如Araujo提出的ART神經網絡的地圖構建路徑規劃算法，Najjaran提出的卡爾曼濾波器的地圖構建路徑規劃，Yang等提出的基于生物啟發神經網絡與地圖構建集成的清潔機器人完全覆蓋路徑規劃技術(CCPP)等。

        目前，地圖構建技術已引起機器人研究領域的廣泛關注，成為移動機器人路徑規劃的研究熱點之一，但機器人傳感器信息資源有限，使得網格地圖障礙物信息很難計算與處理，同時由于機器人要動態快速地更新地圖數據，在網格數較多、分辨率較高時難以保證路徑規劃的實時性，因此，地圖構建方法必須在地圖網格分辨率與路徑規劃實時性上尋求平衡。

        4.人工智能路徑規劃技術

        人工智能路徑規劃技術是將現代人工智能技術應用于移動機器人的路徑規劃中，如人工神經網絡、進化計算、模糊邏輯與信息融合等。遺傳算法是最早應用于組合優化問題的智能優化算法，該算法及其派生算法在機器人路徑規劃研究領域已得到應用，在蟻群算法較好解決旅行商問題(TSP)的基礎上，許多學者進一步將蟻群優化算法引入到水下機器人(UV)的路徑規劃研究中。

        神經網絡作為人工智能的重要內容，在移動機器人路徑規劃研究中得到了廣泛關注，如Ghatee等將Hopfield神經網絡應用到路徑距離的優化中；Zhu等將自組織SOM神經網絡應用到多任務多機器人的任務分配與路徑規劃中，近年來加拿大學者Simon提出一種新的生物啟發動態神經網絡模型，將神經網絡的神經元與二維規劃空間的離散坐標對應起來，通過規定障礙物和非障礙物對神經元輸入激勵和抑制的不同，直接計算相關神經元的輸出，由此判定機器人的運行方向，由于該神經網絡不需要學習訓練過程，路徑規劃實時性好，同時利用神經網絡本身的快速衰減特性，較好地解決了機器人路徑規劃的死區問題。如圖為用于局部路徑規劃的生物啟發神經網絡結構圖，圖中所示為機器人（處于神經元處）傳感器的感受半徑，每個神經元與環境位置坐標對應，動態計算機器人鄰近神經元輸出，機器人根據神經元輸出大小決定下一步運行目標，從而實現安全的路徑規劃。

        人工智能技術應用于移動機器人路徑規劃，增強了機器人的“智能”特性，克服了許多傳統規劃方法的不足，但該方法也有不足之處，有關遺傳優化與蟻群算法路徑規劃技術主要針對路徑規劃中的部分問題，利用進化計算進行優化處理，并與其他路徑規劃方法結合在一起使用，單獨完成路徑規劃任務的情況較少。信息融合技術主要應用于機器人傳感器信號處理方面，而非直接的路徑規劃策略，對神經網絡路徑規劃而言，大多數神經網絡路徑規劃均存在規劃知識的學習過程，不僅存在學習樣本難以獲取，而且存在學習滯后問題，從而影響神經網絡路徑規劃的實時性，生物啟發神經網絡路徑規劃雖然實時性較好，但其輸入激勵與抑制的設定也存在人為不確定因素。

        此外，智能機器人還用到機器人視覺、智能控制、人機接口技術等多種技術。