工业机器人从应用领域分布来看，汽车与电子电机制造为目前两大主要应用领域，市占比例分别约3成，而其主要使用场景则以搬运、焊接与上下料为主。不过，除了源自于缺工效应下自动化需求比例提高，工业机器人在AI、感测技术的加值下带来新的能力延伸其功能性，有别于以往操作规则性的任务。


在上游产业上，无论是传统的工业机器人，还是*先进的协作机器人，它们都要依靠传感器获取的数据构建更佳的机器学习(ML)和人工智能(AI)的模型。工业机器人依靠这些模型就可以在各种动态的现实环境中做出实时的决策和导航。是ML/AI系统，为机器人的传感器提供关键的数据。现在的传感器能将机器人收集来的数据融合在一起，就可以让机器人具有越来越好的知觉和意识。


ML有两个主要部分：培训和推理，整个过程可以在完全相异的处理平台上执行。培训通常是以离线方式在桌面上进行或在云端完成，包括将大数据收入到神经网络。培训阶段是在部署时已经有了一个经过培训的AI系统，这个系统能够执行特定任务，如调查组装线上的瓶颈问题等。


应用的传感和智能感知对机器人来说非常重要，因为机器人想达到高效的性能，特别是ML/AI系统， 在很大程度上取决于为这些系统提供关键数据的传感器的性能。虽然在工厂里绝大多数的工作依旧是人工在完成，但工业机器人将会替代到人类的部分工作，实现工厂的自动化生产。

因此当前具有认知学习能力与自主调适能力的智能机器人能够依据行业需求设计出特用功能以适应复杂的工作场景，也因此使其应用触角延伸至更多新兴行业应用。

同时，在量产模式时代，为发挥*高生产效率与节省人力成本，诸如上下料此种高度重复性，或是机床上下料繁重且具有危险性的工作，一般都交由工业机器人操作，主要适应对像为大批量、重复性强或是工件重量较大的情况下使用，此为目前常见的上下料机器人应用。


不过，由于此种机器人大多执行重复性作业，任务设定单纯，其运动路径与取放动作相对必须设计在固定模式下进行，因此在前置作业通常仍需要额外透过人力将来料排列整齐再等待夹取上料，这也是当前上下料应用灵活度不足，而期待能够有所改善之处。

简言之，自动化上下料只解决了问题的一半。相比人类，对机器人来说，从容器中取出随机排放的零件，再将其**地放入机器中却是困难重重。为改善此应用缺陷，市场积极发展机器人随机取放( Random Bin Picking)技术，同时结合AI、3D视觉，可借此识别物件包括位置、姿态与摆放顺序等信息，透过AI自适应夹取路径与取放动作，由于工件不需事先整理及排列即可被识别，因此能有效提升许多工厂的生产效率。

在下游金属加工产业中，不如焊接机器人的普及，研磨与抛光两个制程至今仍大量仰赖人工作业，由于像是水五金制品具有如孔洞、多重曲面的复杂外形，因此其较难以导入自动化。不过，目前国内水五金产业在研磨抛光制程的缺工越来越严重，促使市场对于研磨抛光机器人的需求增强，而在3D视觉与虚实整合系统辅助下，对于具有复杂研磨抛光路径需求的机器人来说，可降低其在路径生成的难度，并达到加工稳定。


值得注意的是，除了汽车、电子电机以及机械金属加工产业为主要应用领域，工研院产科国际所分析师黄仲宏观察，目前包括纺织、制鞋、食品加工等轻工业的机器人装机量也正成长中，渐朝自动化、智能化发展。例如制鞋业在涂胶制程与研磨抛光遭遇相同加工路径复杂之问题，现也透过3D视觉引导改善，或有厂商开发协助成衣业者改善打样流程的机器手臂。 



更多机器人详情咨询请点击：http://www.abb-robotjcs.gongboshi.com/