Robotics
探索 AI 和计算机视觉如何赋能现代机器人技术。学习部署 Ultralytics YOLO26 以实现实时感知、自主性和智能自动化。
机器人学是一个跨学科领域，处于工程学、计算机科学和技术的交汇处，致力于设计、构建和操作被称为机器人的可编程机器。虽然传统机器人技术专注于重复性的、预先编程的机械任务，但现代环境已被人工智能 (AI) 和机器学习 (ML) 的集成从根本上所改变。这种协同作用使机器能够通过传感器感知其环境、做出自主决策并从交互中学习，从而从刚性的自动化工具进化为能够在复杂、非结构化的现实场景中导航的智能代理。
Link to this section机器人学中的感知与自主性#
For a robot to operate effectively outside a controlled cage, it must possess "perception"—the ability to interpret sensory data. Computer Vision (CV) acts as the primary sensory modality, processing visual inputs from cameras, LiDAR, and depth sensors. Advanced deep learning (DL) models allow robots to identify obstacles, read signs, or inspect products. Technologies like Ultralytics YOLO26 are critical in this domain, offering the high-speed object detection required for real-time responsiveness on embedded hardware like the NVIDIA Jetson platform.
驱动机器人自主性的关键 ML 能力包括：
- **定位与建图：**诸如同步定位与建图 (SLAM) 等算法使机器人能够在未知环境中构建地图，同时跟踪其自身在其中的位置。
- **操纵：**精确的姿态估计使机械臂能够确定物体的方向，从而促进抓取不规则物品或料箱拣选等复杂任务。
- **决策制定：**通过强化学习，代理通过与环境交互并接收奖励信号来学习最优策略，这是由Google DeepMind等研究小组开创的方法。
Link to this section实际应用#
智能机器人的应用通过提高效率和安全性正在重塑各个行业。
Link to this section工业自动化与制造业#
在工业 4.0 的范式中，“协作机器人”（cobots）与人类并肩工作。通过应用AI 在制造业中的应用，这些系统利用图像分割来识别装配线上人类检查员可能会忽略的微小缺陷。国际机器人联合会 (IFR) 报告称，全球范围内这些智能自动化系统的密度显著增加。
Link to this section物流领域的自动移动机器人 (AMR)#
Warehouses utilize AMRs to transport goods without fixed infrastructure. Unlike older Automated Guided Vehicles (AGVs) that followed magnetic tapes, AMRs use autonomous navigation powered by Edge AI to dynamically reroute around obstacles. This capability is central to modern AI in logistics, optimizing supply chain throughput.
Link to this section机器人学与机器人流程自动化 (RPA)#
区分物理机器人学与机器人流程自动化 (RPA) 至关重要，因为这两个术语在商业语境中经常重叠。
- 机器人学处理与现实世界交互的物理硬件（例如，波士顿动力的Spot 机器人检查建筑工地）。
- RPA 指的是自动化数字、重复性业务流程的软件机器人（例如，从网页表单中抓取数据或处理发票）。
虽然两者都旨在提高自动化程度，但机器人学操纵的是原子，而 RPA 操纵的是比特。
Link to this section为机器人控制实现视觉功能#
在机器人上部署视觉模型通常需要针对低推理延迟进行优化，以确保安全性。像机器人操作系统 (ROS) 这样的中间件通常用于弥合视觉算法与硬件执行器之间的差距。在部署之前，开发者通常会使用Ultralytics Platform 来标注专业数据集并管理云端的训练生命周期。
以下示例演示了 Python 脚本如何使用视觉模型检测摄像头画面中的人员，这是移动机器人的一项常见安全要求：
from ultralytics import YOLO
# Load a lightweight YOLO26 model optimized for edge devices
model = YOLO("yolo26n.pt")
# Process a live camera feed (source=0) with a generator for efficiency
results = model.predict(source=0, stream=True)
for result in results:
# Check if a person (class index 0) is detected with high confidence
if result.boxes.conf.numel() > 0 and 0 in result.boxes.cls:
print("Person detected! Triggering stop command.")
# robot.stop() # Hypothetical hardware interface callLink to this section未来方向#
该领域正朝着能够执行多任务的通用机器人发展，而非专门的单功能机器。基础模型的创新使机器人能够理解自然语言指令，从而使非技术用户也能使用它们。此外，AI 在农业中的应用的进步正在催生完全自主的农业车队，它们能够精准地进行除草、播种和收割，从而降低化学品使用和劳动力成本。MIT 计算机科学与人工智能实验室等机构的研究继续推动软体机器人和人机交互的界限。
