尽管制造业一直被认为是自动化程度最高的行业，全自动化工厂似乎仍遥遥无期，人工智能定义的机器人技术将会给制造业带来颠覆性的改变，加上疫情的爆发，将加快制造业自动化的步伐。
具有更好灵巧性和自主学习能力的机器人将如何改变制造过程和行业格局？制造企业应该如何应对机器人2.0带来的颠覆性创新？疫情之下，制造业的转型速度是否也会进一步加快？下面的内容将给你回答这些问题！
很多人可能看不到人工智能如何实现自主学习，如何让机器人应用于制造业，以及这些智能技术最终将如何影响我们的生产力、就业和日常生活。但是，AI技术已经在切切实实地影响甚至颠覆了整个制造业。
制造业自动化现状制造业的未来已来，只是目前应用的范围还不够广泛。--威廉·吉布森（William Gibson）
根据国际机器人联合会（IFR）最近发布的一份报告，2018年全球工业机械臂出货量创下新纪录，达到38.4万台。我国仍然是世界上最大的市场（占35%），其次是日本和美国。
汽车和电子制造业仍然是AI机械的最大应用市场（60%），远远领先于其他行业，包括金属、塑料和食品。
资料来源：IFR统计部
资料来源：IFR统计部
此时，你可能会想：
在几十年前，工业机械臂就已经被引入制造业。自动化应该已经应用到所有可能的领域里，还有什么可以创新的空间？
出乎意料的是，即使是自动化程度最高的汽车工业，也离成为一个“熄灯工厂”、一个完全自动化的工厂还有很长的路要走。
例如，大多数汽车装配仍然是手工完成的，这是这个过程中劳动密集度最高的部分，平均有三分之二的员工在汽车厂的流水线上工作。
就连一向追求创新、倡导高度自动化的特斯拉CEO埃隆·马斯克也不得不公开承认，特斯拉生产线自动化的进展并未达到预期。
为什么自动化如此困难？自动化迄今未能克服的技术限制有哪些？1.灵活性和适应性
今天的自动化生产线是为大规模生产而设计的，自动化有效地降低了成本，但也导致了灵活性的缺乏。更短的产品生命周期，越来越多的小批量但高度定制的生产要求更高的灵活性，而且人类通常比机器人更能适应变化。
2.灵巧性与任务复杂性
尽管科技进步很快，但人类的灵巧程度仍然高于机器人。在众多的制造商中，我们可以看到，尽管装配过程已经高度自动化，但装配过程仍然主要是手动的。
配套在制造业和仓储业都很常见，这是提高生产效率的重要一步。它是指收集组装产品所需的各种组件，将其包装并放入工具包中的过程。
然后，机器人从工具箱中取出零件并进行组装，这个装配阶段的自动化相对容易，因为每个零件都处于固定的位置和角度。相反，在装配过程中，必须对零件进行标识，并将其从盒子中取出，在盒子中无序存放。各部件的位置不同，可能会产生重叠或缠绕，对传统的机器视觉和机器人技术提出挑战。
3.视觉和非视觉反馈
许多复杂的装配操作依赖于操作者的经验或“直觉”。无论是安装汽车座椅还是将零件放入套件，这些看似简单的动作都需要操作者根据各种视觉和触觉信号来调整动作的角度和力度。
传统的自动化编程对于这样的微调任务并不有用，因为检索或放置项的每个实例都不完全相同。它需要人类从多次尝试中学习和归纳的能力，对这种能力的掌握，特别是深入和强化的学习，可以给机器人带来最大的改变！
KIT工具包-来源：kitting-assembly.ca
机器人2.0：人工智能机器人能完成哪些以前无法完成的任务？人工智能给机械臂带来的最大变化是：在过去，机械臂只能重复执行工程师的书写过程。尽管他们的准确性和精确性，他们无法应对环境或过程的变化。
多亏了人工智能，机器现在可以学会自己处理各种各样的对象和任务。具体来说，人工智能机器人与传统机械臂相比，在三大领域取得了重大突破：
1.视觉系统
即使是最先进的3D工业相机，在确定深度和距离以及识别透明包装、反光表面或可变形物体方面也不具备人眼的准确性。
这就解释了为什么很难找到能够提供精确深度并识别大多数包裹和物品的相机。但是，由于人工智能，这种情况很快就会改变。
近年来，机器视觉在深度学习、语义分割和场景理解等方面取得了巨大的进步。
这些改进了使用商品相机的深度和图像识别，使制造商能够获得准确的图像信息，并在不需要昂贵相机的情况下成功识别透明或反光的物体包装。
深度学习对象识别示例，从左到右：蒙版，对象建模，抓取点预测
2.可扩展性
与传统的机器视觉不同，深度学习不需要预先注册或构建每个项目的3D CAD模型，训练后的人工神经网络能自动识别图像中的目标。
无监督或自监督学习也可用于减少手动标记数据或特征的需要，使机器更接近人类学习。
ML减少了人工干预的需要，使机器人能够处理新的部件，而无需工程师重写程序。随着机器通过其操作收集越来越多的数据，机器学习模型的精度也将进一步提高。
目前，一条典型的生产线通常有振动台、给料机、输送带等周边设备，以保证机器人能够准确地取下所需的零部件。
如果机器学习进一步发展，机械臂变得更加智能，也许有一天，这些比机械臂贵四五倍以上的外围设备将不再需要。
另一方面，由于深度学习模型通常存储在云中，这也允许机器人相互学习和共享知识。例如，如果一个机器人手臂在一夜之间学会了将两个部分结合起来，那么它就可以将新模型更新到云中，并与其他机器人共享。这节省了其他机器的学习时间，也确保了质量的一致性。
3.智能布局
一些对我们来说似乎很容易的指令，例如小心地处理或整齐地排列项目，对机器人来说是一个巨大的技术挑战。如何定义“小心处理”？当物体接触桌面时是否立即停止施力？还是把物体移到离桌子6厘米的地方然后让它自然落下？或者当你接近桌面时，它会逐渐减速吗？这些不同的定义如何影响项目放置的速度和准确性？
把物品整齐地摆放起来就更困难了。即使我们忽略了“整洁”的定义，我们也必须首先从正确的位置捡起物品，以便准确地将物品放置在所需的位置和角度：机械臂仍然没有人类的灵巧，目前大多数机械臂仍然使用吸盘。在获得像人类关节和手指那样的精细运动技能方面仍有很大的改进空间。
其次，我们需要能够立即确定被抓物体的角度位置和形状。以上图中的杯子为例，机器人手臂需要知道：杯子是朝上还是朝下？它应该侧放还是竖着放？是否还有其他项目或障碍？这样机器人就可以决定把杯子放在哪里，以最有效地利用空间。
我们从出生起就不断地学习拣放物品的各种任务，这些复杂的任务可以本能地完成。但是，机器没有这样的经验，必须重新学习任务。
利用人工智能，机器人手臂现在可以更准确地判断深度。它还可以通过训练来学习，并确定一个杯子是朝上还是朝下，或者是处于其他状态。
物体建模或体素化可以用来预测和重建三维物体，它们使机器能够更准确地呈现实际项目的大小和形状，并将项目更准确地放置在所需的位置。
思考及行动AI技术对制造业来说意味着什么？
疫情之后，我们会看到制造行业的重组吗？
疫情之下，谁能抓住机遇，在自动化时代站稳脚跟且快速？
疫情之下，AI如何赋能制造业，快速实现产业的数字化创新升级？
这些问题都值得制造业企业们深入思考！
点击阅读原文，开启你的制造业企业创新升级之路！
