本文由计算机视觉life整理，如有侵权可联系删除。原文链接：

https://www.zhihu.com/question/19679140

原提问：

想做机器人，有什么好的发展方向？

冷哲：

机器人现在比较有前途的方向不外乎：工业机器人、无人飞行器（UAV）、无人驾驶汽车（UGV）、医疗机器人。工业机器人现在需求量越来越大，是个不错的行业，但目前主要做研究的都是公司了，大学里几乎不做了（但大学会用工业机器人做点别的研究，比如抓握研究，就是面对不规则物体时，如何判定形体，如何用机械手准确、稳定地抓握）。UAV主要是政府在投钱，军队用。UGV是政府和一些有前瞻性的公司，就目前的技术情况，恐怕十年内无法大规模商业化。医疗机器人是针对目前一些手术上的问题在做，目前有一定进展（达芬奇系统），商业前景很好，但是短期内恐怕推广不开。其他方向，比如家政机器人，有Willow Garage在探路，但是前景很不乐观。日本做类人步行机器人做的很欢，但是应用前景极其狭窄（目前来看仅可用于人难以深入的灾难环境操作原本为人设计的设施）。Boston Dynamics的四足步行机器人做得不错，但是应用范围过于狭窄，只有军队可能有兴趣采购。Sarcos雷神的外骨骼做得不错，有一定商业化前景，但是自重太大，对能源要求很高，成本也很高。

做机器人，主要有三个层面。

最底层做机械设计，主要是电机、传感器、人工肌肉、结构设计等等。

中层做控制设计，主要是传感器滤波和控制算法。

上层做感知，主要是根据传感器数据进行更高阶的信息融合，作更复杂的分析，比如说机器视觉、SLAM之类。

人工智能在机器人领域目前没看出来有什么大用处。甚至连机器学习都用的非常少。三个层面都不错。不过目前发展最快的是后两个层面。中层现在在工业界发展比较快。上层主要还是在学术界，目前还没有多少可供商业化的东西。下层现在很缓慢，主要是没有找到非常好的材料。

小心假设：

最近看了一篇文章，《环球科学》2014年第2期，机器人会改变世界吗？是德国一个有名的机器人专家写的。写得很好，介绍并展望了几个机器人研究方向。完全内行，又通俗易懂。

顺便插一句，机器人不跟纯CS的研究一样，机器人Digital与Analog的部分都很重要，是‘软+硬’的。而一旦涉及Analog的，德国、日本、瑞士乃至法国在机械、工艺、精密控制等的优势就会展现出来。而美国等（特别是印度）优势主要在于Digital的部分。当然，美国也有波音、Boston Dynamics这样的Digital与Analog都顶尖的公司。但在这些领域，就不像是在计算机、互联网领域等一支独大了，而且也没有绝对优势，算是fair play。印度则几乎只有Digital厉害。

说这些的目的，是想说明，如果纯Digital领域，中国几乎只需要盯着美国硅谷就行的话；在机器人领域，则不再适用了。我想，Google收购了这么多机器人公司，原因也很可能与之有关。

毕竟Google几乎是纯Digital的，但无人驾驶车中很多重要环节都是Analog有及其的密切关系。当然有识别环境的一环，算是‘软’的。但也有比如下雨天怎么开，雪地防止侧滑，山区上坡怎么上，下坡时怎么下，包括怎么刹车防止刹车装置温度过高，乃至空车满载模式之分，要对质量有自适应，乃至强风时、沙漠里等，乃至沙漠里怎么上坡等。而且就算是识别环境的能力，达到人的水平，那人的驾驶水平也有很大的区别啊，比如倒车的时候怎么打方向盘这里面的学问可够深的。像这些种种，大部分人会陷入‘局部最优’的方法，因为平时够用了，可一旦到了不同需要的情况，比如说的极端点，赛车，就不行了。而且人也是不断学习、‘自适应’的，在上一个新的非常复杂的路况时，起初也是需要不断试错积累经验。还有比如，有很多经验的东西，比如啪啪啪的声音，没有经验的驾驶员会害怕是不是发动机有问题了，而有经验的则知道是轮胎上的泥甩的声音。

无人驾驶领域，其领头的公司，是依附于软件公司如Google，或传统汽车公司如奔驰，或无包袱的电动车公司如特斯拉，或设备公司如Continental，还是会完全产生一个新的公司形态，只能拭目以待了。

其实整个机器人行业的复杂，就在于‘软’‘硬’很难分开。同样的软件，同样的控制算法，同样的硬件，实际的控制效果却很可能不一样。原因可能就在于比如一颗螺丝多拧或少拧了一圈。而这个区别，要靠控制算法参数的调节去应对的。但现在这些参数的调节多是靠人、靠经验，靠仿真或者自适应、自学习的算法还远远不行，更不要说容错控制（比如一个环节的性能突然发生了一定的变化，比如有很强的某种干扰，或刹车不那么灵乃至失灵，或无人机一个螺旋桨不转了等等）和自诊断（比如估计算法不work了。是获取数据的硬件装置出问题了如接触不良，还是算法参数不适合了等等）了。

岔开一句，Google做无人机刚宣告失败。说的玄乎一点，是‘基因’压根就不同。当然，并不是美国不行，这不也有3D Robotics。不过话说回来，如上文所说的，3DR也没有绝对优势。是大家都知道的。

当然，以上只是自己的拙见。欢迎指正。

机器人、无人机等，电子机械结合计算机的，机器人结合人工智能的，物理结合数学的，中国的机会不小。不知是不是国家“性格”的原因（当然也有语言的问题），日本德国等电子机械牛到不行，但软件互联网却几乎一无是处，受日本殖民影响颇深的台湾地区也是如此。印度软件牛（数论尤其牛），电子机械却差。美国的绝对优势在软件（编程是英语的变种，其实也是美国人思维、逻辑方式的外延），电子机械方面没有绝对优势，而且都外包出去了。中国两方面都一般，但结合起来（简单的说，就是北京软结合深圳硬），却可出来真正引领世界的公司。大家不可妄自菲薄。

King：

可以关注下仓储物流自动化行业的机器人方向：标准工业多轴机器人多轴机器人通常也被叫做机械手，在工业领域有着几十年的应用，比如在汽车工厂里，多道工艺流程完全无人化，焊接喷涂等工艺流程都是由工业机械手完成的。

工业机器人在实际应用中由两部分组成，一部分是由ABB，KuKa，Fanuc等国际机器人巨头提供的机器人标准本体部分：

机器人本体可以在一定的半径范围内通过几个轴的动作配合能够到任意的位置

然后在标准机器人本体上加装上要实际操作的家具，也就是给机器人的胳膊上装上各种“手”，比如吸盘

或者焊枪

在仓储物流系统中常见的有如下的家具形式

自动装箱机器人而多轴机器人的应用在仓储物流自动化系统里也有着非常广泛的应用，最常见的是装箱，即将零散的单间物品抓取到标准容器里，比如料箱或者纸箱里。通常用的是夹具是实盘和各种特制夹具。

如果被装箱的物品是标准的，同时又需要几块的如果被装箱的物品是标准的，同时应用的场合里需要的效率较高，会采用如下的“蜘蛛手”机器人本体来将上游的小物品抓取到标准的盒子里。

在自动装箱的过程中，经常会遇到如下的情况：在装箱作业中要抓取的物品的种类比较多，比如在电商的配种中心里，有一个用户下了一个订单，需要1盒牛奶和1纸铅笔，牛奶和铅笔这两种物料的体积尺寸完全不一样，同时由于这些物料从上游来打机器人抓取工位时也是被随机置放在抓取工位上，那对于机器人来说这是一个挑战，因为机器人最擅长的是做重复性固定的工作，而此时要抓取的物料大小不一样，具体位置未知，传统的自动装箱过程就不在适用。由此众多方案解决公司提出了视觉识别定位的方案，即对即将要被抓取的物品进行摄像头视觉扫描，经过一定的图像识别算法，判断他们的位置和大小后，将物品的坐标位置反馈给机械手进行抓取。

由上边的图例可以看出，对于复杂的案例下，除了机械手要知道物料的位置外，还需要知道要抓取的物品的位姿是如何的，因此这种情况下借助的图像是由3D摄像头捕摄到的。

拆码垛机器人在仓储物流中心或者厂内物流环节内，自动机器人拆码垛也是将会经常会用到的应用场景。比如把来的料箱整齐的码放到一个托盘上。

与上边讲述的自动装箱机器人类似，有些码垛要操作的物料单元可能是被随机摆放在一个工位上，同样的，标准机械手是无法直接抓取物料的，需要一个外接的识别系统告知机械手，要抓取的物料究竟在什么位置，这里也需要视觉识别技术。

协作机器人一个完整的自动化系统往往不是由一个单独的设备完成的，通常是由多个子系统或者子设备被集成到一起完成的。对于仓储物流中心里机器人的自动工作也不例外，一个复杂的动作可以由多种形式组合来完成，笼统上被称之为协作。近几年开发的双臂协作机器人就是其中一种应用自协作机器人，比如应用的案例有处理物料容器和抓取物料一并由一个机器人完成。

而在实际中更多的应用中，只有普通的六轴机器人要处理不同的工作，那可以采取自动换家具的方式。比如机器人要自己拿一个料箱，要自己抓取物品到料箱里，要自己将料箱码到托盘上，码号的托盘要被这个机械手摞到另外一个托盘上。这种工况下可以就可以采用一体机器人换家具的方式，家具可以被设计在一个复杂的多功能的家具上，也可以将家具单独设计放置在固定的家具待换工位上。

或者在需要效率较高的情况下，需要配置多台机器人负责不同的工作，互相配合完整一道完整的作业。