無論是傳統(tǒng)的工業(yè)機(jī)器人，還是最先進(jìn)的協(xié)作機(jī)器人，它們都要依靠傳感器獲取的數(shù)據(jù)構(gòu)建更佳的機(jī)器學(xué)習(xí)(ML)和人工智能(AI)的模型。工業(yè)機(jī)器人依靠這些模型就可以在各種動(dòng)態(tài)的現(xiàn)實(shí)環(huán)境中做出實(shí)時(shí)的決策和導(dǎo)航。是ML/AI系統(tǒng)，為機(jī)器人的傳感器提供關(guān)鍵的數(shù)據(jù)�，F(xiàn)在的傳感器能將機(jī)器人收集來的數(shù)據(jù)融合在一起，就可以讓機(jī)器人具有越來越好的知覺和意識(shí)。

　　ML有兩個(gè)主要部分：培訓(xùn)和推理，整個(gè)過程可以在完全相異的處理平臺(tái)上執(zhí)行。培訓(xùn)通常是以離線方式在桌面上進(jìn)行或在云端完成，包括將大數(shù)據(jù)收入到神經(jīng)網(wǎng)絡(luò)。培訓(xùn)階段是在部署時(shí)已經(jīng)有了一個(gè)經(jīng)過培訓(xùn)的AI系統(tǒng)，這個(gè)系統(tǒng)能夠執(zhí)行特定任務(wù)，如調(diào)查組裝線上的瓶頸問題等。

　　應(yīng)用的傳感和智能感知對(duì)機(jī)器人來說非常重要，因?yàn)闄C(jī)器人想達(dá)到高效的性能，特別是ML/AI系統(tǒng)， 在很大程度上取決于為這些系統(tǒng)提供關(guān)鍵數(shù)據(jù)的傳感器的性能。雖然在工廠里絕大多數(shù)的工作依舊是人工在完成，但工業(yè)機(jī)器人將會(huì)替代到人類的部分工作，實(shí)現(xiàn)工廠的自動(dòng)化生產(chǎn)。