关于边缘机器人学习对工业自动化计划的影响，你了解多少？

IT-OT融合时代的自动化公司不断寻找更好的方法来增加现有的运营工作量、优化生产流程并减少总体二氧化碳(CO2)排放量。

运营技术 (OT)和信息技术(IT)的使用帮助企业通过监控有价值的资产、减少重复性和例行性任务以及加强质量控制来更好地控制其运营。

然而，IT和OT传统上是分开开发的，无法利用运营和生产数据来做出更明智的决策，以实现更优化的工作流程和计划周密的生产和维护流程。

近年来物联网(IOT)的出现模糊了两个系统之间的界限，导致了更加融合的解决方案。属于IT领域的物联网设备可以从现场收集操作和生产数据，并将它们传送给OT系统。IT和OT的融合将使员工能够做更多的事情并进一步改进，从而在业务成本和战略技术投资之间取得适当的平衡。此外，这种融合将使企业能够加速数字化转型并优化现有工作流程，所有这些都不需要快速扩大规模。

图形处理单元(GPU)已被证明是执行基于机器学习(ML)算法的数据处理的理想选择，允许机器人执行对象识别和传感器融合。进一步的进步来自开发在特定ML应用程序(如视频处理和语音识别)方面表现出色的专用集成电路(ASIC)。

机器人自动化

最能代表IT-OT融合的技术之一是通过机器人自动化进行运营管理。通过自动化流程，公司可以分析数据，获得有价值的见解，并提高其生产现场绩效的可见性，帮助他们做出数据驱动的决策。

然而，机器人技术的开发传统上非常复杂且具有挑战性。随着对机器人的需求预计将迅速增加，当前的创新速度可以通过适当的硬件和软件产品来加快。

机器人技术的兴起总的来说，机器人的部署使这些设备具备了新的功能，旨在提高员工的安全性，减少人类员工的繁重和危险的任务，

加速电子商务的履行和交付，并增强业务的灵活性和弹性。

这些新功能需要实现满足功能安全和风险预防要求的高精度传感器，用于检测、定位和导航的摄像头，以及用于应用程序载入的机器人中间件。近年来，机器人硬件的重大进步使机器人原始设备制造商 (OEM)能够开发能够看到和感知其环境的机器人：

计算处理器——计算处理器近年来变得更加强大，允许机器人原始设备制造商直接在机器人上运行资源密集型应用程序。例如，图形处理单元(GPU)已被证明是执行基于机器学习(ML)算法的数据处理的理想选择，允许机器人执行对象识别和传感器融合。进一步的进步来自开发在特定ML应用程序(如视频处理和语音识别)方面表现出色的专用集成电路(ASIC)。

传感器技术——二维(2D)和三维(3D)摄像头、2D和3D光检测和测距LiDAR传感器、惯性测量单元(IMU)和接近传感器等传感器的普及使高精度机器成为可能视觉和传感器融合算法。典型的地面自主机器人可能具有多个高清(HD)摄像头、3D深度传感器和LiDAR传感器。加上基于ML的传感器融合技术的不断改进，它们成为功能安全、同步定位和地图(SLAM)系统以及风险预防能力的重要推动因素。

边缘计算——在工业网关和本地服务器中处理信息的能力意味着机器人可以在边缘收集、处理和存储信息。这大大降低了机器人操作的延迟和连接要求，同时减轻了安全和隐私问题。

连通性——机器人生成并收集大量信息。据估计，如果包括计算机视觉和路径规划等AI过程的输入和输出，自主机器人每小时可以生成多达500GB的数据。因此，成功的机器人部署需要可靠的连接解决方案，以高带宽和低延迟水平传输数据。同时，软件和服务的进步也值得关注：

开源软件——许多现代机器人使用机器人操作系统(ROS)和ROS2作为机器人开发的中间件和模拟器。从技术上讲，开源ROS比操作系统 (OS)更多的是中间件，它包括硬件抽象和消息传递的功能，以集成这些不同的数据源。ROS还配备了高保真、实时和物理精确的3D仿真引擎，可用于开发、训练和测试机器人控制软件。

运动规划和导航——机器视觉的进步为机器人提供了一系列新的认知能力。经过多年依赖磁带和基准标记，视觉SLAM(vSLAM)技术现已成熟，可提供卓越的定位和导航功能。用于多机器人协调的群体智能得到进一步发展，特别是对于部署在履行中心的自动导引车(AGV)和自主移动机器人(AMR)。

网络安全——随着机器人越来越多地连接到云，使用微内核、用于不同安全功能的独立实时操作系统、虚拟机和虚拟机管理程序来隔离安全关键组件是将网络安全风险降至最低的最有效和最安全的方法机器人。

机器人操作——最后，公司正在寻找一种简化的方法来部署、操作、监控和重新配置机器人。拥有一个可以为公司提供所有机器人和传感器数据的单一平台，可以让他们对机器人操作有一个鸟瞰图。机器人操作，也称为 RoboOps，可帮助他们执行远程干预、端到端安全、预测性维护、持续改进以及来自其他物联网设备的数据集成。

通过这些关键的进步，机器人现在可以安全可靠地与人类一起工作。除了工业机器人手臂，近年来还出现了更多形式因素，例如协作机器人(cobots)、AGV、AMR、自动存储和检索系统(ASRS)以及无人驾驶飞行器(UAV)。

所有这些机器人的一个共同点是它们感知和理解周围环境的能力。这种自主性是通过机器人中的多个ML模型实现的，例如对象检测和分割、定位和碰撞避免、导航和操纵的运动规划、姿态估计和传感器集成。

Edge ML(边缘计算)使机器人用户能够理解他们从资产中收集的海量数据，并根据日常操作、使用趋势和客户行为做出更好的业务决策

审核编辑黄宇