由于機器人技術能夠擴展、增強和量化醫療活動，因此它將促進醫療行業發生更大的變革。自大約30年前誕生以來，機器人手術發展到現在已經成為多種常見手術的治療標準。從2018年到2019年，保持了18%的快速增長，完成了超過100萬個機器人微創手術。

未來，機器人技術將為外科手術形式創新和質量提升提供一個平臺。機器人技術通過物理和計算輔助設備有效地將操作者的眼睛、大腦和手投射到患者的身體中，機器人本身就成為評估和量化手術的一套機制。這種影響是多方面的：從患者角度來看，它能精確量化病人在手術中發生了什么。從臨床醫生角度來看，平臺集成了數千名外科醫生和數百萬次手術的數據，為醫生學習和提升提供了一個平臺，這將改善外科醫生培訓和學習曲線。從系統層面看，這提供了一種研究手術有效性的方法，可以將績效與患者的結果聯系起來。同時，又將對定義醫療程序和決定介入治療補償的成本效益平衡產生巨大影響。隨著更靈活的儀器的發明，新應用的數量將顯著增加。在COVID-19期間，還演示了如何使用機器人為醫療專業人員提供遠程醫療服務。毫無疑問，這一趨勢將在未來5-10年內勢頭強勁。面對需求的多樣性，系統的健壯性、可靠性、安全性和靈活性至關重要，因為在許多情況下，機器人將直接與病人和醫護人員進行身體接觸，這也是下一代醫療機器人突破的標志和關鍵。

未來十五年關鍵技術突破包括：

1結構及控制設計方面60多年來，機器人學科的“感知-思考-行為”模式已經使人類能夠擴展其對世界的操縱、互動和改造。在這期間，用于制造機器人的材料也在逐漸改變——從傳統的具有離散傳感/驅動關節和集中控制器的低自由度剛性連桿結構，到具有分布式/集成多模態傳感/驅動的可變拓撲可重構高內自由度系統。未來15年，我們預估機器人結構及控制設計技術將在實時機器人數字信息架構、傳感/驅動、機制和控制的多功能模塊化集成、新材料、新的制造技術逐步實現突破。

2感知方面感知是機器人在物理世界中的基礎。感知包括從傳感器獲取和解釋數據，其中包括產生圖像的傳感器（RGB、IR、深度以及醫療模式）、特定領域的模式，如OCT或雷達、觸覺和觸覺感知、聲音和潛在的其他非結構化信息通道。目前技術水平：計算機視覺通常被視為機器人學科中的主要感官形態。過去十年來，機器學習（尤其是深度學習）已經改變了計算機視覺（以及廣義的圖像理解）。例如，標準基準ImageNet的圖像分類性能的錯誤率從10年前的25%以上上升到今天的不到2.5%——比人類的性能高出兩倍。在視頻活動識別、目標檢測、圖像字幕、癌癥檢測、語義分割等諸多相關問題上也出現了類似的發展趨勢，這些技術在移動電話和自動駕駛系統中的應用加速了將這些功能嵌入低功耗平臺的進展。Python等開源工具的出現加快了這些功能的開發。關鍵問題：機器人技術在可靠性和速度方面對計算機視覺提出了獨特的挑戰。許多最新的計算機視覺系統的性能與過去相比是顯著的，但操作的錯誤率遠遠低于輔助機器人長期可靠操作所需的誤差率。例如，醫療機器人1%的時間將肝臟誤認為脾臟，都是不可接受的。未來技術突破：視頻中的主動任務表現：活動識別技術的進步使人們能夠識別大量人類活動。然而，從觀察一個活動到執行類似的活動需要更精細的功能來主動控制活動；主動感知：計算機視覺以被動的方式探索數據——它沒有利用主動感知和/或捕捉冗余信息的能力。創建能夠主動觀察的功能才能創建在環境中起作用的系統。復雜、高維推理：例如，從圖像中預測物體的抓取是一個高維連續問題。針對此類問題的高性能方法和體系結構（以及數據集）可能與那些用于識別或檢測任務的常用方法和體系結構有所不同。開放世界性能：大多數計算機視覺系統采用封閉世界假設——因為它們是從數據中學習的，所以數據集代表了系統訓練的全部示例。機器人通常會面臨從未經歷過的刺激，或是全新的任務變化。能夠面對開放的新環境和任務是一個挑戰。可與系統集成：要將vision與其他系統集成，需要能夠對其內部性能進行評估。這包括驗證視覺組件或基于視覺的系統的方法，以及系統返回與其可靠性和不確定性相關的東西的方法。無縫學習與執行的系統結構：能夠以端到端的方式從圖像中執行任務的強化學習。