人工智能 (AI) 的进步开启了能够适应环境的自动化机器人的新时代。

过去几十年来，机器人领域取得了令人瞩目的进步，但仍面临诸多挑战，阻碍其潜力得到充分发挥。传统机器人通常依赖预先编程的指令和受限的配置，这限制了它们应对突发情况的能力。人工智能技术——涵盖认知、分析、推理和决策——使机器人能够智能地运行，显著提升其协助和支持人类的能力。

通过在工程系统中为机器人增强人工智能技术，我们可以期待机器人在工业、农业、物流、医疗等领域得到更广泛的应用，使其能够更自主、更高效地执行复杂任务。这项技术提升将释放机器人在实际应用中的潜力，为紧迫的医疗和环境问题提供解决方案，并在工业革命4.0的背景下推动向智能制造的范式转变。

借助人工智能的应用，由香港理工大学机械工程系智能机器人及自动化讲座教授、南京理工大学科技创新研究院院长张丹教授领导的研究团队，研制出多种具有高动态性能的新型机器人系统。

张教授的研究团队最近提出了一个抓握姿势检测框架，该框架利用深度神经网络生成一组丰富的全向(六自由度，简称“6-DoF”)高精度抓握姿势。为了检测待抓握的物体，卷积神经网络(CNN) 被应用于一个半径各异的多尺度圆柱体，提供有关每个物体位置和尺寸估计的详细几何信息。

多个多层感知器 (MLP) 优化了机械臂抓取物体的精度参数，包括夹持器宽度、抓取分数(针对特定的平面内旋转角度和夹持器深度)以及碰撞检测。这些参数被输入到框架内的算法中，从而扩展预设配置的抓取能力，生成针对场景定制的全面抓取姿势。

实验表明，所提出的方法在实验室模拟中始终优于基准方法，在实际实验中平均成功率为 84.46%，而基准方法的平均成功率为 78.31%。

此外，研究团队利用人工智能技术，提升新型机器人膝关节外骨骼的功能和用户体验，用于膝关节损伤患者的步态康复。该外骨骼的结构包括一个由电动机驱动的执行器，用于主动辅助膝关节屈伸;一个将外骨骼重量转移到地面的踝关节;以及一个由另一个电动机驱动的刚度调节机构。

机器学习算法中采用长短期记忆(LSTM) 网络，模拟人体膝关节的生物力学特性，提供实时非线性刚度和扭矩调节。该网络基于大量肌电图 (EMG) 信号和膝关节运动数据进行训练，能够根据用户的生理信号和运动状态实时调整外骨骼的刚度和扭矩。通过预测必要的调整，该系统能够适应各种步态需求，提升用户的行走稳定性和舒适度。

基于径向基函数 (RBF) 网络的自适应接受控制算法的集成，使机器人膝关节外骨骼能够自动调整关节角度和刚度参数，而无需力或扭矩传感器。这提高了位置控制的精度，并改善了外骨骼对不同步行姿势的响应能力。这种数据驱动的方法可以优化模型的预测，并随着时间的推移提高整体性能。

实验结果表明，该模型在准确性和实时响应性方面优于传统的固定控制方法，能够为不同步行速度的用户生成所需的参考关节轨迹。

张教授及其团队的研究表明，人工智能技术，尤其是深度学习，提升了机器人感知和理解环境的能力。这一进步有助于提供更有效、更灵活的解决方案，以处理超出标准设置中固定配置的任务。

人工智能与机器人技术的融合不仅提高了精度和准确度，还为机器人自动化带来了新的能力，使其能够实时决策和持续学习。因此，机器人的性能可以随着时间的推移不断提升，从而在未来的社会中进一步扩大机器人的应用。

更多信息： Dan Zhang 等人，《智能适应：动态环境中人工智能与机器人技术的融合》(2024 年)