时值全球自动化浪潮和中国制造2025的战略布局，制造业对工业机器人的需求高涨，而投资者也将在高投资回报、更新快速的庞大市场的驱动下，下注机器人布局。相比于笨重、危险，仅适用于大型环境的传统工业机器人，协作型机器人正在克服挑战，颠覆产业。
以下为智能内参整理呈现的干货：
COBOT打开百亿市场
　　20世纪60年代初，德沃尔2000磅重的Unimate arm在通用汽车工厂安了家，这是第一个工业机器人，负责热压铸金属。Unimate arm可以抓握、焊接、钻孔和喷洒，液压臂的路径使用磁鼓式硬盘驱动器进行编程。
　　再往前走五十年，机器人的定义有了翻天覆地的变化，现代机器人是可编程的网络物理机器，当然，不包括汽车和空中无人机。
　　通常说的工业机器人是大型的笼式装置，用来代替人类重复、危险的工作。而随着智能手机的革命和自动驾驶汽车的发展，更小、更灵巧、成本更低的机器人进入了工厂。
　　这些重量较轻、成本较低的机器人可以配备传感器，使它们能够在工业环境中与人类协同工作，成为“COBOT”（协作机器人）。机器人可以执行特定的任务，如抓紧小物体、观察，甚至学习处理“边缘情况”（edge cases）。
　　尽管协作机器人仅占400亿美元规模的工业机器人市场的很小一部分，但下一个十年将迅猛增长成为100亿美元市场。
机器人的痛点和解法
　　从历史上看，机器人行业在很大程度上一直困扰着一些问题：
1、视觉问题：允许机器人识别和导航物体（包括人）的视觉技术一直在缓慢改进，公司依靠笼子来保护人类，同时也就杜绝了近程操纵的可能。
2、灵巧性问题：机器人抓握和机械能力仍然有限。
3、低投资回报：昂贵的机器人价格加上低劳动力成本，阻碍了在农业和制造等领域广泛普及机器人技术的需求。
　　下文将详述COBOT（协作机器人）如何应对这些技术挑战，并改变制造业、电子商务、农业和食品服务等产业的。
新的视觉技术
　　随着机器人逐渐被应用于世界各地的工厂，研发视觉系统，使机器人可以识别物体，进行安全导航，被提上日程。
　　许多机器人的功能是在高度结构化的环境中，执行可重复的任务。因此，传统的安全措施通常由一个笼子组成，简单有效的避免了人类与机器人接触产生的危险。但现在，变化正在发生。
　　近年来，视觉硬件（如激光雷达）已经变得更便宜、更有效，并且得到了更广泛的应用。如今，许多初创公司都在使用基于新的视觉技术的协作机器人，它们装载着传感器，人类员工可以站在它身边进行操控。
　　大约1996，有许多不同的形状和大小的协作机器人被发明了出来，根据人类工作场所进行了设计。这种机器人容易重新编程，相对自治，力量上远不如低技术型工业机器人。
　　协作机器人在小型工厂环境找到了“绝佳位置”，进行3D打印，制造医疗设备，或完成更多的认知任务，如仓库订单拣选等。在那里，人类员工也参与工作。
机器人的认知
　　教机器人适配环境（map）和操作物体，是一项艰巨的任务。有幸的是，谷歌的DeepMind和UC伯克利的一些研究进展已经成功证明了“一次性学习”（one-shot learning）的可行性，即协作机器人可以在没有大量训练数据的情况下识别新的对象。
　　未来的机器人可能只需要观察人类员工的工作流程就能完成任务学习；或者操作者可以使用VR手势进行编程（协变开创的方法），使机器人掌握工作方式。
　　虽然这项技术还有很长的路要走，但今天的技术已经足够成熟到可以让机器人和人类协同工作了。目前，协作机器人和它的麻吉AGVs（自动引导车辆/运输机器人），已经成为制造业和仓库环境的标准配置。
机器人可以很容易地完成重复的、可预测的任务。
　　但是对于结构化相对不明显的任务，例如从一个随机分类中挑选出一个项目，对应着很多更独特的场景，就需要特别的算法。真正的协同工作情况下，运输机器人就必须自主地“看到”人类员工的行动，并采取相应行动。
开发处理这些边缘情况的算法成为了前沿的人工智能（AI）、计算机视觉和自动驾驶研究课题。

　　在人工智能和机器学习上，为90%的场景自动化路径很容易——难的是最后的“一公里”。顶级风投A16Z的Benedict Evans指出，机器学习是要解决那种对机器来说很难，对人来说很容易的问题，或者说，是人们很难描述成计算机语言的问题。
　　随着机器学习工具的广泛普及，初创公司正注力于计算机视觉，以支持新一轮的机器人技术。
　　Veo Robotics的创立者是Rethink Robotics的前雇员，公司旨在用“人类级眼睛”改造笨重的机械臂。Osaso则由Peter Thiel、Elad Gil和Sean Parker等人创立，面向制药和食品服务等行业开发机器人配套的视觉软件。
灵巧性的追求
　　虽然机器人变得越来越普遍，但它们还没有开发出我们所期待的智能或灵巧性，就像摩登家庭或终结者2想象的那样。著名的机器人学家Hans Moravec在莫拉维克悖论中提出：
　　“让计算机在智力测试或西洋跳棋上表现出成人水平的表现是比较容易的，在感知和移动性方面，很难或不可能赋予他们一岁人类的水平。”
　　换句话说，高级推理只需要很少的计算，但是低水平的感觉或运动技能需要巨大的计算资源。灵巧性是机器人学的一大挑战，相对而言，改进硬件是更加有效的途径。