摘要：

全球智能机器人的市场规模预计在2021年将成长至336亿美元，而亚洲将是成长最多的地区。 近年各国都不约而同将机器人视为战略产业，某种程度甚至可以是一种综合国力的展现，各领域的领导厂商都积极投入并发展当中。
 
　　机器人无疑已成为下一个科技明日之星，全球各国无不积极推动机器人产业，而近期人工智能与深度学习等技术发展热度增温，更成为推动智能机器人发展的重要动能。 根据工研院IEK研究报告预估，全球智能机器人的市场规模预计在2021年将成长至336亿美元，而亚洲将是成长最多的地区。
 
　　根据财团法人精密机械研究发展中心的定义，智能机器人可透过传感器感知环境，并藉由程序化处达成智能化理解，最后反应出所需动作，以执行各种生产活动、提供服务或与人互动。 它是集合各种技术于一体的平台，包含机械、控制自动化、电子、电机、影像、光学、通讯、软件与安全系统等相关技术与应用，其中软硬件整合技术至为重要。 本课程深入探讨智能机器人产业前景，并剖析关键技术、零组件与软硬件架构。
 
　　服务机器人具发展潜力
 
　　根据资策会MIC研究数据显示(图1)，2015年四大应用领域机器人市场规模合计约269亿美元，其中以工业机器人110亿美元比重最高，但到了2025年整体市场规模将扩大到669亿美元，尽管市场规模还是以工业机器人的244亿美元最大，但商业用机器人与个人用机器人2000～2025年复合成长率(CAGR) 分别为11.6%与17.4%，资策会MIC产业分析师张佳蕙(图2)指出，尤其是2015年以后，这两类应用成长更为显著，服务型应用市场当中，有许多过去未导入机器人的新兴领域，带动其成长潜力。

    资策会MIC产业分析师张佳蕙指出，2015年以后，服务型应用市场，有许多过去未导入机器人的新兴领域，带动其成长潜力。
 
　　日本软件银行近年大举进军机器人领域，一连串的动作引发市场关注，张佳蕙说，包括2012年收购法国人形机器人公司Aldebaran Robotics，其2014年推出的人形机器人Pepper陆续与IBM Watson、Microsoft Azure合作。 Softbank提出以沟通为基础提供家庭及商业应用的愿景，Pepper被设定为「希望能被爱」的机器人，透过互动沟通了解家中成员，成为家中的一份子；并在人工智能的基础下，让Pepper协助企业产品的营销，在家庭兼具娱乐及学习效果。 此外，目前较知名已投入市场的服务型机器人还有Leka与Savioke。
 
　　近年各国都不约而同将机器人视为战略产业，日本发展机器人已久，2015年日本政府设立机器人革命倡议协议会，推动机器人产业的发展；韩国则是由产业通商资源部主导，每五年制定基本计划，目标是在2022年成为机器人活用的国家，生产规模达25兆韩圜；美国则是从2011年开始，由美国国家科学基金会(NSF)主导， 发展能够安全与人协同工作的机器人技术。 目前韩国以家用机器人为发展主力，美国则是在救灾国防领先各国，张佳蕙建议，家庭应用与公共应用各国布局已深，商业应用近期兴起，台湾可以伺机切入。
 
　　深度学习、语音识别等技术在近年有显著的发展，也因此促成服务型机器人产业与应用的兴起，机器人从过去单向沟通执行命令，进化到可以理解语意响应对话内容，应用服务为机器人后续发展重点。 机器人应用情境多元，在不同场合必须结合各领域专业知识及对用户需求的了解，因此厂商应透过开放平台，加快机器人在各领域的应用。
 
　　类神经网络技术大跃进
 
　　深度学习这个名词因为2016年人工智能AlphaGo连败南韩棋王，机器首度成功挑战人脑，并在围棋这个普遍被认为难度最高的博弈活动中，一时又被世界大众所关心。 而AlphaGo的深度学习核心就是类神经网络技术，早在1943年，Warren McCulloch以及Walter Pitts首次提出神经元的数学模型，之后到了1958年，心理学家Rosenblatt提出了感知器(Perceptron)的概念，在前者神经元的结构中加入了训练修正参数的机制，这时类神经网络的基本学理架构算是完成。 类神经网络的神经元其实是从前端收集到各种讯号(类似神经的树突)，然后将各个讯号根据权重加权后加总，再透过活化函数转换成新讯号传送出去(类似神经元的轴突)。

   相关技术架构其实早在1970年代就已经完成了，数据决策技术长尹相志(图3)表示，深度学习其实就是类神经网络的另一种说法，其成功来自于更深入理解人类大脑的运作。 卷积神经网络(Convolutional Neural Network)协助机器发展真正的视觉，其中的两大原则为：局部感知与权重共享。 让机器可以从碎片特征理解整体意义，进而找出特征的群聚性，不断分层细化的分析，无论是多细微的特征：只要不化成灰，都能抽取特征。
 
　　其中，图形辨识是其中的重点，在过往的认知中，中央处理器(CPU)与绘图处理器(GPU)处理不同的运算功能，单就图形辨识的深度学习功能来说，GPU的效能是CPU的百至千倍，尹相志进一步表示，透过深度学习，机器甚至可以将原本马赛克图案的照片效果移除还原。 不过，在语音与文字的辨识上，中文对于机器还是很大的挑战，中文词汇超过百万，无须约定成俗即可创造新字以及赋予词性，还有很多中英、中日、中韩夹杂的词汇，诸如：蓝瘦、香菇、94狂等。
    大厂搜集数据布局未来
 
　　机器人产业前景受到各方瞩目，尤其深度学习、人工智能成为各大厂布局下一波企业发展的方向，包括脸书(Facebook)、微软(Microsoft)、谷歌(Google)与亚马逊(Amazon)。 这些企业的共通点就是都透过产品、服务与消费者互动，并累积了多年的初级数据，未来人工智能与深度学习说穿了都是大量数据搜集、整理并分类、标注(Tag)使这些初级数据变成信息，最后再透过强大的处理器快速搜寻与反应的结果。
 
　　从这样的架构来观察，硕网信息总经理邱仁钿(图4)认为，四大厂之间FB的数据结构化程度最高，因为每个用户上传文章或图片时，已经将内容整理过，图片分辨率高甚至照片中的人物也直接标注了，未来FB要藉由这些数据做进一步整理或利用时，可以花费最少的时间，或进行更高质量的整理。 目前世界上有80%的数据数据是非结构化的，认知运算能够提升并简化学习过程。
 
　　因此，机器人要降低错误率重点就在数据的完整性与结构化，邱仁钿进一步解释，深度学习的应用历程从底层的类神经网络运算、大量数据分析、发现规则/自动归类、产生媒合/推荐策略、记录用户行为、回馈到模型/提升准确率，最终就是要提升数据质量并产生自我学习修正机制。
 
　　协作型机器人角色更加重要
 
　　工业制造从80、90年代的自动化，发展到2000年代的智能制造，未来的智能工厂除了更高度的自动化与取代更多复杂的人力制程之外，还希望发展更多协作型机器人，台达电子机器人事业群机器人事业处长彭志诚(图5)说明，包括点胶(Dispensing)、上螺钉(Screwing)、焊接(Soldering)、检验(Inspection)、组装 (Assembly)、卡匣自动搬运车(Pick & Place Vehicle， P&P)等，甚至可以弹性更换夹具与工具，生产线因产品、制程需要而可以弹性重组(Reconfigurable)，可以处理更多客制化的实时订单。
 
　　一个机器人系统，彭志诚解释，可以简单分成机械结构(Mechanical structure)、驱动程序、运算与控制单元、传感器、通讯模块几个项目。 未来协作型机器人的市场发展趋势为业界瞩目，多家研究单位都看好其发展，Barclays Equity研究指出，2020年该市场规模将挑战30亿美元，2015～2020年复合成长率97%，是非常高度成长的市场。
 
　　工业4.0促成自主机器人发展
 
　　智能机器人的发展要从德国喊出的工业4.0口号来观察，台科大自动化及控制研究所副教授李敏凡(图6)说，该口号的精神在少量多样、周期短，一切商业活动始于卖方，过去传统的生产价值链顺序颠倒，从顾客需求开始驱动研发，再到供应链与生产，完成整个商业活动。 因此，生产线必须维持高度弹性，以因应各式各样不同的需求，并实时反应。
 
　　自主移动机器人(Autonomous Mobile Robot)有别于非自主性质的机器人，李敏凡指出，非自主性质如遥控是由人类以有线或无线方式控制；自动是执行规画好的任务计算机程序；而自主则是可以在未知环境，处理非预知的工作，并可随时、随机弹性调整工作内容。 简单的说，工业4.0就是工业3.0加上人工智能，自主机器人的行为内容包括，避障、目标搜寻、轨迹追踪、保持队形等。
 
　　传感器应用质量均升
 
　　从关键零组件的角度来看，台科大电子工程系赖文政(图7)博士说，机器人是由许多次系统整合而成的，若进一步将次系统拆解，则可以大致分成显示器、输入设备如键盘/游戏杆、驱动器如马达、通讯设备、感测模块、视觉模块、导航模块等重要单元。 这些模块在一个机器人身上可能出现多次，而微控制器(MCU)与传感器，在许多次系统或模块上都会一再出现，是非常重要的关键零组件，而且随功能提升，这些关键零组件的使用量也将更为惊人。
 
　　尤其是传感器，要让机器人更聪明，需透过这些前端的传感器搜集更多信息，意法半导体(ST)模拟、微机电与感测组件应用经理陈建成(图8)说明，传感器分成动作、环境、声音三类，以当红的Pepper为例，其头部有四个麦克风、两个RGB相机、一个3D传感器、三个触控传感器、胸前有一个陀螺仪、手部有两个触控传感器、腿部有两个声纳传感器、 雷射传感器六个、三个保险杆传感器、一个陀螺仪、两个红外线传感器，共九类近30颗传感器。
 
　　也由于感测的需求越来越高，环境传感器将往新应用领域发展，微机电类型的电子罗盘、加速度计、陀螺仪、麦克风等将持续提升感测精准度，也就是降低噪声干扰，提升感测灵敏度与精度。 另外因应传感器融合(Sensor Fusion)的发展趋势，将促成同性质的传感器融合，如加速度计整合陀螺仪成为六轴传感器，加速度计整合电子罗盘与陀螺仪成为九轴传感器。 未来单一功能的传感器将会越来越少。
 
　　智能机器人测试项目繁复
 
　　智能机器人尤其是陪伴与服务型机器人迟迟未能普及的一个重要原因就是安全性，有些陪伴型机器人动辄几十公斤，加上移动速度，若是在家中发生意外，面对的是小朋友与老人家，恐怕还未达成陪伴的目的就先酿成灾害。 另外，在工厂的生产在线，每天与机械为伍的人员，安全风险更是有增无减。
 
　　因此机器人产品风险与验证也是一个重要的议题，UL能源暨电力科技部事业发展经理陈立闵(图9)指出，UL 1740标准是美国对于机器人设备的基本安全设计要求，其中的测试要点包括电源输入、最大负载电流、操作温度、过电压与欠电压、漏电流、操作软件、手持部位、导体失效、通风马达死锁、驱动马达死锁、马达煞车、零组件破损、过载、断电与重启、 紧急停止装置、紧急停止时间与移动距离测量、断电下的紧急移动、抓取装置、教学模式下的低速运动测量、突电压的防护、绝缘材料耐受电压、电路板耐受电压、弯折、轴向旋转耐受性、提拉与移动、外壳强度等数十个项目。
 
　　而且不是只有整机要测试，陈立闵强调，零组件安全与软件安全都要测试，其他还有很多必要与非必要的安全防护，跟产品的类型与个别特性有关，例如机能安全(Functional Safety)认证，内容提到机器设备的安全可靠性分成五级，耐用次数从一万次到一千万次。 智能机器人的验证内容繁琐，因应产业与时代的发展，当我们与机器人的互动越来越密切，也可能因为发生新的非预期意外，使得安全验证的项目越来越多，因此如欲投入智能机器人领域，及早了解复杂的安全认证内容并导入非常重要。