DIGITIMES Research觀察，機器視覺賦予了機器人認知和自主決策的能力，視覺引導機器人(vision-guided robotics)成為工業自動化的重要推手。而隨機容器內取料(random bin picking)為視覺引導機器人最大的任務挑戰，包含物件的辨識、判斷及行動，其中，3D視覺感測有賴立體視覺、結構光及飛時測距技術開發，而影像分析方法仰賴深度學習和深度強化學習技術的強化。

機器視覺是組成智慧機器人的重要技術，工業自動化約佔機器視覺應用的3成。機器人搭載機器視覺，讓機器人不再只能依照預定程式行動，而是能夠「看見」、「思考」而行動，擁有自主決策的能力。

隨機容器內取料是視覺引導機器人相關單位的重大研究課題，首先需進行物件影像的擷取，再來是分析物件的形體、物件擺放的狀態及可供抓取的點，再由機器人系統執行抓取。

3D感測技術的發展讓物件辨識成為可能。其中，立體視覺(stereo vision)是透過兩顆以上的鏡頭，由不同角度拍攝影像造成的視差，來計算物體的位置；結構光(structured light)技術是在物件上打出特殊圖樣的光斑，透過光斑的變形來計算物件形體的深度；飛時測距(time of flight)技術則是依據光從光源到物體再返回的時間計算物體深度。

在影像分析方法方面，針對運動軌跡固定的工作和需規劃抓取動作的工作，機器學習皆有大量應用。深度學習只需提供少量圖片，就能偵測物件缺陷。針對抓取工作，有模型基底的深度學習已有預先輸入的抓點，能為已知物件規劃抓取方法，無模型的深度學習則能就未知物件自行判斷抓點。

不像深度學習只負責圖像辨析的部分，動作規畫由機器人系統負責，深度強化學習(deep reinforcement learning)是透過不斷地嘗試抓取，尋找到物件的最佳抓點。


詳細內文請參考網址