1、 云-邊-端的無縫協(xié)同計(jì)算

  受制于網(wǎng)絡(luò)帶寬以及延遲的制約，當(dāng)前絕大多數(shù)機(jī)器人3.0 系統(tǒng)是以機(jī)器人本體計(jì)算為主，云端處理非實(shí)時(shí)、大計(jì)算量的任務(wù)為輔的系統(tǒng)架構(gòu)。機(jī)器人的主要任務(wù)可以簡(jiǎn)單劃分為感知、推理及執(zhí)行三大部分。為了能夠精準(zhǔn)地感知理解環(huán)境以服務(wù)于人機(jī)交互，機(jī)器人系統(tǒng)通常集成了大量的傳感器，因而機(jī)器人系統(tǒng)會(huì)產(chǎn)生大量的數(shù)據(jù)。 比如采用了高清攝像頭，深度攝像頭，麥克風(fēng)陣列以及激光雷達(dá)等傳感器的機(jī)器人，每秒鐘可以產(chǎn)生 250MB 以上的數(shù)據(jù)量。 如此海量的數(shù)據(jù)全部傳輸?shù)皆贫颂幚砑炔滑F(xiàn)實(shí)， 也不高效。因此，需要將數(shù)據(jù)處理合理地分布在云邊端上。

  另一方面，完成感知和理解的AI算法也非常復(fù)雜。機(jī)器人所使用的AI算法通常需要很強(qiáng)的算力，例如 Faster RCNN 算法在 GPU 上可以達(dá)到 5fps 的處理能力，但是 GPU 的功耗達(dá)到200W 以上，機(jī)器人本體很難承受，從計(jì)算成本而言同樣也非常昂貴。 雖然機(jī)器人本體計(jì)算平臺(tái)的計(jì)算能力仍在不斷提高，但是相對(duì)于AI算法的需求依然有限。 為了完成機(jī)器人的計(jì)算需求，需要在云和邊緣側(cè)提供算力的支持，以實(shí)現(xiàn)在大規(guī)模機(jī)器人應(yīng)用場(chǎng)景下，更有效、 更經(jīng)濟(jì)的計(jì)算力部署。

  隨著5G和邊緣計(jì)算的部署，機(jī)器人端到基站的延遲可以達(dá)到毫秒級(jí)，使得5G的網(wǎng)絡(luò)邊緣可以很好地支持機(jī)器人的實(shí)時(shí)應(yīng)用。同時(shí)，邊緣服務(wù)器可以在網(wǎng)絡(luò)的邊緣、很靠近機(jī)器人的地方處理機(jī)器人產(chǎn)生的數(shù)據(jù)，減少對(duì)于云端處理的依賴，構(gòu)成一個(gè)高效的數(shù)據(jù)處理架構(gòu)。

  云邊端一體的機(jī)器人系統(tǒng)是面向大規(guī)模機(jī)器人的服務(wù)平臺(tái)，信息的處理和知識(shí)的生成與應(yīng)用同樣需要在云邊端上分布處理協(xié)同完成。 例如， 匯集來自所有連接機(jī)器人的視覺、語音和環(huán)境信息， 加以分析或重構(gòu)后， 被所有連接的機(jī)器人所應(yīng)用。

  因此，在通常情況下，云側(cè)可以提供高性能的計(jì)算以及通用知識(shí)的存儲(chǔ)，邊緣側(cè)可以更有效的處理數(shù)據(jù)，提供算力支持， 并在邊緣范圍內(nèi)實(shí)現(xiàn)協(xié)同和共享，機(jī)器人終端完成實(shí)時(shí)的操作和處理等基本機(jī)器人的功能。然而由于機(jī)器人的業(yè)務(wù)需求多種多樣，協(xié)同計(jì)算的部署也不是一成不變的，機(jī)器人4.0 系統(tǒng)還要支持動(dòng)態(tài)的任務(wù)遷移機(jī)制，合理的根據(jù)業(yè)務(wù)需求將不同的任務(wù)遷移到云邊端，實(shí)現(xiàn)云邊端的無縫協(xié)同計(jì)算。

  2、 持續(xù)學(xué)習(xí)和協(xié)同學(xué)習(xí)

  在機(jī)器學(xué)習(xí)方面，機(jī)器人3.0 主要是采用基于大量數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)的方法，這也是目前機(jī)器學(xué)習(xí)的主流方法，而在機(jī)器人4.0，還需要加上持續(xù)學(xué)習(xí)和協(xié)同學(xué)習(xí)的能力，才能使得機(jī)器人能夠適應(yīng)更復(fù)雜的應(yīng)用場(chǎng)景。

  在 3.0 時(shí)代，服務(wù)機(jī)器人可以做到一些基本的物體識(shí)別、人臉識(shí)別，但由于機(jī)器人應(yīng)用對(duì)感知識(shí)別的正確率要求很高， 盡管這些方法在別的要求不高的領(lǐng)域已經(jīng)可以滿足應(yīng)用需求（例如互聯(lián)網(wǎng)搜索有 80%的正確率就夠了），但對(duì)于機(jī)器人應(yīng)用而言則遠(yuǎn)遠(yuǎn)不夠。 第一是機(jī)器學(xué)習(xí)所固有的魯棒性方面的問題，深度學(xué)習(xí)方法也不能幸免，識(shí)別結(jié)果可能出錯(cuò)，而且出錯(cuò)的時(shí)候系統(tǒng)也不知道自己錯(cuò)了，這樣就可能造成服務(wù)的失敗和錯(cuò)亂。

  例如人需要機(jī)器人取東西 A，而機(jī)器人卻取了東西 B, 輕則鬧笑話，引起用戶不滿，嚴(yán)重的可能會(huì)造成對(duì)用戶的傷害（比如取錯(cuò)藥品的情況)。魯棒性的問題是目前所有機(jī)器學(xué)習(xí)方法自身的一個(gè)通病，因?yàn)橛?xùn)練數(shù)據(jù)中總是存在著長(zhǎng)尾數(shù)據(jù)無法被準(zhǔn)確識(shí)別， 該問題很難通過現(xiàn)有的監(jiān)督學(xué)習(xí)方法在部署產(chǎn)品前就解決。第二是數(shù)據(jù)不足，這也是現(xiàn)實(shí)應(yīng)用中普遍出現(xiàn)的情況， 例如用人體特征進(jìn)行身份識(shí)別的時(shí)候需要大量的數(shù)據(jù)（幾百張以上的不同人體姿態(tài)、 角度的照片），而這些數(shù)據(jù)又無法事先獲得。總結(jié)下來， 這兩方面的問題都和缺少數(shù)據(jù)直接相關(guān)。

  要解決這些問題必須讓機(jī)器人具有自主的持續(xù)學(xué)習(xí)能力。具體說來，機(jī)器人可以先通過少量數(shù)據(jù)去建立基本的識(shí)別能力，然后會(huì)自主的去找到更多的相關(guān)數(shù)據(jù)并進(jìn)行自動(dòng)標(biāo)注（或通其他方式， 例如與人交互來獲得標(biāo)注，但要注意盡量減少對(duì)用戶的打擾)。 用這些新的數(shù)據(jù)來對(duì)已有的識(shí)別模型進(jìn)行重新訓(xùn)練以改進(jìn)性能，隨著這個(gè)過程不斷進(jìn)行，機(jī)器人可以把識(shí)別的性能不斷提高。具體拿物體識(shí)別來說，機(jī)器人應(yīng)該先通過少量數(shù)據(jù)來建立對(duì)該物體的基本識(shí)別能力，然后可以自己去找到不同的位置，不同的角度做訓(xùn)練，不斷提高對(duì)這個(gè)物體的識(shí)別精度，在一段時(shí)間的持續(xù)學(xué)習(xí)后達(dá)到接近 100%，

  在實(shí)際應(yīng)用中，一個(gè)機(jī)器人能接觸到的數(shù)據(jù)是有限的， 其持續(xù)學(xué)習(xí)的速度可能會(huì)受到限制。機(jī)器人4.0 是一個(gè)云邊端融合的系統(tǒng)，如果能夠在機(jī)器人間或機(jī)器人與其他智能體間通過這個(gè)系統(tǒng)來共享數(shù)據(jù)、 模型、 知識(shí)庫等， 就能夠進(jìn)行所謂的協(xié)同學(xué)習(xí)。 通過云端的模擬器來進(jìn)行虛擬環(huán)境中的協(xié)同學(xué)習(xí)也是一種行之有效的方法， 可以充分利用云的大規(guī)模并行處理能力和大數(shù)據(jù)處理能力。協(xié)同學(xué)習(xí)使得機(jī)器人的持續(xù)學(xué)習(xí)能力進(jìn)一步增強(qiáng)，可以進(jìn)一步提高學(xué)習(xí)的速度和精度。

  3、 知識(shí)圖譜

  知識(shí)圖譜在互聯(lián)網(wǎng)和語音助手方向已經(jīng)開始較為廣泛的應(yīng)用，尤其是百科知識(shí)圖譜。機(jī)器人也有百科知識(shí)問答類的應(yīng)用場(chǎng)景， 對(duì)于這類的知識(shí)圖譜可以直接加以應(yīng)用。 但不同于通常的百科知識(shí)類的知識(shí)圖譜，機(jī)器人應(yīng)用的知識(shí)圖譜有一些不同的需求：

  1）需要?jiǎng)討B(tài)和個(gè)性化的知識(shí)。機(jī)器人往往需要對(duì)所在的環(huán)境和人進(jìn)行更深入的理解才能進(jìn)行更好的服務(wù)，而且不僅僅是當(dāng)前的情況， 要對(duì)過去發(fā)生的一些情況進(jìn)行記錄（例如要了解老人通常什么時(shí)候起床，某個(gè)物體一般放在什么位置)。 因此，機(jī)器人需要記錄環(huán)境里不同時(shí)間的人和物、 發(fā)生的事件等相關(guān)信息，這些都是通用知識(shí)圖譜所不能事先提供的，必須在環(huán)境里去獲齲 這些動(dòng)態(tài)的個(gè)性化知識(shí)能很好的對(duì)人進(jìn)行個(gè)性化的服務(wù)， 例如通過對(duì)某用戶的觀察，機(jī)器人可以觀察到該用戶的一些喜好，或者一些行為模式， 這些信息可以幫助對(duì)該用戶提供更好的服務(wù)。

  2） 知識(shí)圖譜需要和感知、 決策緊密結(jié)合,并幫助實(shí)現(xiàn)更高級(jí)的持續(xù)學(xué)習(xí)能力。 從人工智能發(fā)展的歷史看，單一方法很難徹底解決AI問題，前面的介紹也提到不論符號(hào)方法還是統(tǒng)計(jì)方法都已經(jīng)顯現(xiàn)了瓶頸，而且目前在單一方法里都沒有很好的方法解決這些瓶頸問題。按照明斯基的分析，未來需要多種方法結(jié)合的AI系統(tǒng)。從最近幾年的研究進(jìn)展看，這也是未來人工智能取得進(jìn)一步突破的必經(jīng)之路。所以不同于以往知識(shí)圖譜和計(jì)算機(jī)視覺等統(tǒng)計(jì)方法基本是獨(dú)立運(yùn)作的做法，知識(shí)圖譜必須和感知決策更深入、 有機(jī)的結(jié)合。

  具體來說，知識(shí)圖譜的信息是從感知中獲取的，通過基礎(chǔ)的感知，加上場(chǎng)景理解，獲得的信息可以存入知識(shí)圖譜，然后這些知識(shí)可以進(jìn)一步進(jìn)行模式的挖掘（比如時(shí)間空間相關(guān)的模式） 來獲得更高層的知識(shí)。 知識(shí)圖譜的一些知識(shí)又可以作為環(huán)境上下文信息提供給感知算法來進(jìn)行連續(xù)學(xué)習(xí)，從而實(shí)現(xiàn)自適應(yīng)的感知算法。從某種意義來說，這已經(jīng)不是傳統(tǒng)意義上的純符號(hào)方法的知識(shí)圖譜，而是一種混合的知識(shí)圖譜，即符號(hào)方法和統(tǒng)計(jì)方法結(jié)合的知識(shí)圖譜。這也是未來很有潛力取得突破的一個(gè)方向。

  由于云邊端融合的需要，知識(shí)圖譜會(huì)分別存放在機(jī)器人側(cè)，邊緣側(cè)和云側(cè)，其接口可以采用統(tǒng)一的接口以利于系統(tǒng)對(duì)知識(shí)圖譜進(jìn)行統(tǒng)一的調(diào)用。由于協(xié)同學(xué)習(xí)和實(shí)時(shí)處理的需要，知識(shí)和其他相關(guān)信息（如數(shù)據(jù)，模型等） 還可以通過云側(cè)、 邊緣側(cè)來進(jìn)行共享，通過一定的冗余備份來達(dá)到更高的實(shí)時(shí)性。這類似于計(jì)算機(jī)架構(gòu)中的高速緩存機(jī)制(Cache), 比如部分存儲(chǔ)在云端的知識(shí)經(jīng)常被調(diào)用， 可以緩存到邊緣端或機(jī)器人端提高其存取的速度。在5G網(wǎng)絡(luò)下，延遲本身不是大問題， 主要考慮更充分的利用邊緣端和機(jī)器人端的計(jì)算能力，達(dá)到整體資源的最優(yōu)利用。

  4、 場(chǎng)景自適應(yīng)

  有了持續(xù)學(xué)習(xí)和知識(shí)圖譜, 系統(tǒng)在感知方面的魯棒性大大提高，也在場(chǎng)景分析方面獲得了 豐富的信息并存在知識(shí)圖譜中，這就使得機(jī)器人能夠根據(jù)當(dāng)前的場(chǎng)景進(jìn)行相應(yīng)的行動(dòng)。

  場(chǎng)景自適應(yīng)技術(shù)主要通過對(duì)場(chǎng)景進(jìn)行三維語義理解的基礎(chǔ)上，主動(dòng)觀察場(chǎng)景里人與物的變化，并預(yù)測(cè)可能發(fā)生的事件，從而產(chǎn)生與場(chǎng)景發(fā)展相關(guān)的行動(dòng)建議。 例如在養(yǎng)老/助老應(yīng)用中老人端著一碗湯走向冰箱，機(jī)器人可以通過以往的經(jīng)驗(yàn)或知識(shí)預(yù)測(cè)老人是要去開冰箱放東西，就可以幫老人打開冰箱。再例如，機(jī)器人看到地上有一塊果皮，預(yù)測(cè)可能會(huì)導(dǎo)致老人摔倒，這時(shí)機(jī)器人可以主動(dòng)撿起果皮（機(jī)器人配備了手臂操控的情況下） 或站到果皮邊并警告老人。

  這部分的關(guān)鍵技術(shù)是場(chǎng)景預(yù)測(cè)能力。場(chǎng)景預(yù)測(cè)就是通過對(duì)場(chǎng)景里的人、 物、 行為等的長(zhǎng)期觀察，并結(jié)合相關(guān)的知識(shí)和統(tǒng)計(jì)模型來總結(jié)出一些個(gè)人偏好或行為模式，并據(jù)此來預(yù)測(cè)目前場(chǎng)景要發(fā)生的事件。過去人工智能的符號(hào)方法中框架、 腳本表示在這里可以作為知識(shí)表達(dá)的形式，但更關(guān)鍵的是需要把符號(hào)方法和統(tǒng)計(jì)方法結(jié)合起來，從而解決以往單獨(dú)用符號(hào)方法無法解決的問題（比如缺少學(xué)習(xí)能力）。這部分的研究還處于比較初期的階段，但相信在基于持續(xù)學(xué)習(xí)、知識(shí)圖譜等技術(shù)充分結(jié)合的基礎(chǔ)上，該方向在未來幾年會(huì)有較大的突破。 最終使得整個(gè)機(jī)器人的閉環(huán)系統(tǒng)， 即感知認(rèn)知行動(dòng)，變得更加智能和人性化。

  云端融合在這里起到非常重要的作用，尤其是知識(shí)的共享方面。 例如前面的水果皮的例子，這方面的模式可能發(fā)生的不多， 在單個(gè)機(jī)器人的情況下可能從來沒見過這個(gè)情況，也就無法知道是危險(xiǎn)的。 如果通過云邊端融合，只要有一個(gè)機(jī)器人看到過這個(gè)危險(xiǎn)情況的發(fā)生，就可以把該知識(shí)分享給所有的機(jī)器人，所有的機(jī)器人就可以去預(yù)測(cè)這些危險(xiǎn)情況了。 除了通過在實(shí)際的物理世界中觀察， 在云端通過大規(guī)模的模擬來預(yù)演生活中可能發(fā)生的情況，可能也是另外一個(gè)有效的方法來獲得更多的事件模式。

  四、 云端大腦

  為了讓機(jī)器人具備通用智能，包括類人的感知和認(rèn)知能力， 類人的動(dòng)作行為和類人自然交互能力，并同時(shí)最大限度地保障機(jī)器人的運(yùn)行安全，需要構(gòu)建類人“大腦”的智能體。 目前機(jī)器人本體計(jì)算能力有限，必須通過可以無限擴(kuò)展的云端計(jì)算能力來提供智能機(jī)器人所需的能力。通過無線5G通信網(wǎng)絡(luò)和一個(gè)安全高速骨干網(wǎng)絡(luò)構(gòu)成機(jī)器人“神經(jīng)網(wǎng)絡(luò)”， 實(shí)現(xiàn)機(jī)器人本體和云端大腦的連接。云端大腦包括機(jī)器人視覺系統(tǒng)、對(duì)話系統(tǒng)、運(yùn)動(dòng)智能和極限現(xiàn)實(shí)系統(tǒng)等技術(shù)，其通過人工智能算法不斷訓(xùn)練進(jìn)化，使得前端機(jī)器人本體智能隨之迅速提高。因此，采用云網(wǎng)端結(jié)合的智能機(jī)器人系統(tǒng)架構(gòu)，具有更強(qiáng)的適應(yīng)性和擴(kuò)展性，如圖所示。

用云網(wǎng)端結(jié)合的智能機(jī)器人系統(tǒng)架構(gòu)

  五、 邊緣智能支持多機(jī)器人協(xié)作

  未來的多機(jī)器人邊緣智能系統(tǒng)架構(gòu)圖如下，主要分為幾個(gè)主要部分。

機(jī)器人邊緣智能系統(tǒng)架構(gòu)圖

  數(shù)據(jù)采集 。針對(duì)不同類機(jī)器人或智能設(shè)備的數(shù)據(jù)，搭建統(tǒng)一的數(shù)據(jù)信息集成平臺(tái)，形成設(shè)備“縱向”（設(shè)備端管理層）與“橫向”（設(shè)備產(chǎn)業(yè)鏈各環(huán)節(jié)之間）的二維信息聯(lián)通平臺(tái)，篩選出真正有用的數(shù)據(jù)，重點(diǎn)是將“原始數(shù)據(jù)”變?yōu)椤坝杏脭?shù)據(jù)”。

  邊緣計(jì)算 。利用網(wǎng)絡(luò)計(jì)算資源，將知識(shí)鏡像建模和知識(shí)挖掘，在網(wǎng)絡(luò)層中形成實(shí)體的鏡像對(duì)稱模型和大數(shù)據(jù)環(huán)境，通過對(duì)實(shí)體運(yùn)行歷史數(shù)據(jù)中的關(guān)聯(lián)性和邏輯性進(jìn)行挖掘，產(chǎn)生能夠支持決策的制造知識(shí)，重點(diǎn)是將對(duì)數(shù)據(jù)的洞察變?yōu)橹С譀Q策的知識(shí)，形成知識(shí)庫。邊緣計(jì)算設(shè)備作為邊緣設(shè)備的輸出端，需要較高的實(shí)時(shí)性與擴(kuò)展性。面對(duì)復(fù)雜的 IT 與 OT 設(shè)備混連的環(huán)境，我們需要有按照優(yōu)先級(jí)處理事件的方案或者協(xié)議，比如 TSN。而作為云端的輸入端則需要較高的穩(wěn)定性。我們需要對(duì)邊緣計(jì)算設(shè)備做冗余以避免整個(gè)生產(chǎn)線失控的場(chǎng)景，比如分布式架構(gòu)。 而其自身的邊緣智能則需要較強(qiáng)的浮點(diǎn)運(yùn)算能力以進(jìn)行智能分析與決策，比如使用專用的加速芯片。

  邊緣智能 。邊緣智能部署在邊緣計(jì)算設(shè)備上。與端設(shè)備，采用的 TSN 硬件協(xié)議與 OPC應(yīng)用協(xié)議，最大限度保證了 IT 與 OT 的通信實(shí)時(shí)性與效率。與云設(shè)備，則是采用了 TCP 傳輸數(shù)據(jù)與 RPC 進(jìn)行遠(yuǎn)程調(diào)用，保證了數(shù)據(jù)傳輸?shù)陌踩€(wěn)定性，降低云端與邊端之間的通信開發(fā)難度，提高系統(tǒng)穩(wěn)定性與擴(kuò)展性。

  (1) 智能分析。將隱性問題顯性化，通過設(shè)備端的智能分析，準(zhǔn)確評(píng)估設(shè)備真實(shí)的健康狀態(tài)（安全性，可靠性，實(shí)時(shí)性和經(jīng)濟(jì)性等多個(gè)維度）和未來趨勢(shì)，并能夠?qū)撛诘墓收虾碗[性問題進(jìn)行預(yù)診和定位，為設(shè)備使用、維護(hù)和管理的智能決策提供重要決策支持依據(jù)，重點(diǎn)是將“有用數(shù)據(jù)”變?yōu)椤坝杏眯畔ⅰ薄?

  (2) 智能決策。對(duì)狀態(tài)的識(shí)別和決策，以優(yōu)化、協(xié)同為核心手段，基于裝備真實(shí)健康狀態(tài)和衰退趨勢(shì)，結(jié)合用戶決策的定制化需求，提供設(shè)備使用、維護(hù)和管理的最優(yōu)決策支持，并達(dá)成任務(wù)活動(dòng)與設(shè)備狀態(tài)的最佳匹配，以保障生產(chǎn)系統(tǒng)的持續(xù)穩(wěn)定運(yùn)行（近零故障運(yùn)行），將有用的信息變?yōu)樽顑?yōu)決策。

  邊緣應(yīng)用。形成工業(yè)的典型應(yīng)用場(chǎng)景，不斷對(duì)于智能系統(tǒng)的動(dòng)態(tài)優(yōu)化和重構(gòu)，將智能優(yōu)化后的決策同步到設(shè)備的運(yùn)行和企業(yè)資源運(yùn)營(yíng)的執(zhí)行系統(tǒng)中，實(shí)現(xiàn)決策與價(jià)值的閉環(huán)。

云邊端系統(tǒng)結(jié)構(gòu)

  (1) 優(yōu)化生產(chǎn)線工藝流程。針對(duì)生產(chǎn)線中多機(jī)器人協(xié)同作業(yè)存在的作業(yè)時(shí)間不一致、 路徑?jīng)_突等問題，基于多機(jī)器人協(xié)同工藝優(yōu)化方法， 挖掘多維工藝參數(shù)與作業(yè)效率、節(jié)拍之間的隱含關(guān)系，以生產(chǎn)作業(yè)效率、 路徑最優(yōu)為目標(biāo)， 實(shí)現(xiàn)基于群體智能的多機(jī)器人協(xié)同作業(yè)工藝參數(shù)與運(yùn)動(dòng)軌跡優(yōu)化。

  (2) 完善生產(chǎn)的運(yùn)營(yíng)管理數(shù)據(jù)，為更好的決策提供數(shù)據(jù)基矗依據(jù)機(jī)器人的設(shè)計(jì)工藝、應(yīng)用工藝，在三維環(huán)境下對(duì)機(jī)器人進(jìn)行軌跡規(guī)劃、可達(dá)性分析以及干涉檢驗(yàn)等仿真； 通過機(jī)器人作業(yè)效率分析實(shí)現(xiàn)對(duì)工藝方案的評(píng)價(jià)及優(yōu)化。根據(jù)機(jī)器人生產(chǎn)線工藝規(guī)劃、多機(jī)協(xié)同作業(yè)規(guī)劃、排產(chǎn)及物流控制方案，驅(qū)動(dòng)三維模型進(jìn)行生產(chǎn)過程模擬，依據(jù)仿真結(jié)果進(jìn)行機(jī)器人及其所在單元的應(yīng)用工藝設(shè)計(jì)或優(yōu)化過程的校驗(yàn)與評(píng)估，實(shí)現(xiàn)機(jī)器人生產(chǎn)線運(yùn)行效率、節(jié)拍平衡等目標(biāo)優(yōu)化。將仿真分析結(jié)果反饋至設(shè)計(jì)和應(yīng)用環(huán)節(jié)進(jìn)行驗(yàn)證；更新機(jī)器人工藝設(shè)計(jì)知識(shí)庫，實(shí)現(xiàn)工藝操作透明化及工藝過程自主優(yōu)化。

  綜上，邊緣計(jì)算是擴(kuò)展機(jī)器人個(gè)體智能的途徑。在未來的多機(jī)器人協(xié)作過程中，對(duì)于機(jī)器人的預(yù)測(cè)性維護(hù)，生產(chǎn)線的智能排產(chǎn)等方面也都是機(jī)器人在邊緣智能的重要應(yīng)用方向。邊緣智能技術(shù)通過協(xié)同機(jī)器人設(shè)備與邊緣服務(wù)器，利用深度學(xué)習(xí)模型優(yōu)化，深度學(xué)習(xí)計(jì)算遷移等方法，使機(jī)器人在未來的使用中，能更好的自主決策，同時(shí)也讓產(chǎn)線變得更智能，能夠支撐生產(chǎn)計(jì)劃靈活適應(yīng)產(chǎn)線資源的變化，最終使產(chǎn)線變得柔性化、 個(gè)性化、 智能化，實(shí)現(xiàn)智能制造的升級(jí)。

  智東西認(rèn)為，邊緣計(jì)算是最近幾年提出的新概念，其推廣和落地非常依賴于具體的應(yīng)用，尤其適用于對(duì)實(shí)時(shí)性要求較高的場(chǎng)景。機(jī)器人應(yīng)用正是非常合適的應(yīng)用場(chǎng)景。邊緣實(shí)時(shí)計(jì)算加上云計(jì)算的無限處理能力，可以大大提升機(jī)器人本體的人機(jī)交互和場(chǎng)景自適應(yīng)能力，也會(huì)增強(qiáng)自主移動(dòng)和感知能力。通過基于5G的云邊端一體化，機(jī)器人本體的能力設(shè)計(jì)具有很大的彈性空間， 從而解耦對(duì)機(jī)器人本體硬件能力的依賴，降低成本，推動(dòng)大規(guī)模的部署就成為可能。