1、机器视觉硬件可采药周围环境信息
目前正确的视觉传感器通常有：摄像头、tof镜头和激光雷达技术。
机器视觉相机。机器视觉相机的目的是将实际镜头投影到传感器的图像传送到还能够存贮、分析和（的或）总是显示的机器设备上。是可以用一个最简单终端显示图像，或者依靠计算机系统显示、存储和分析图像。
激光雷达技术。激光雷达是一种按结构接触式激光测距技术的扫描式传感器，其工作原理与象的雷达系统的的，实际发射激光光束来探测目标，并搜集反射出去的光束来无法形成点云和声望兑换数据，这些数据经光电处理后可化合为计算精确的三维立体图像。采用这项技术，也可以详细的声望兑换高精度的物理空间环境信息，测距精度可到达厘米级。
tof摄像头技术。tof是飞行时间（timetheflight）技术的缩写，即传感器才发出经调制的近红外光，遇物体后反射，传感器是从计算光线发射出和反射时间差或相位差，来换算公式被拍的景物的距离，以才能产生深度适宜信息，此外再特点悠久的传统的相机拍摄好，就能将物体的三维实体轮廓以不同颜色代表不同距离的地形图完全呈现出来。
2、ai视觉技术算法指导机器人识别周围环境
视觉技术包括：人脸技术、物体检测、视觉问答、图像描述、视觉嵌入式技术等。
人脸技术：人脸检测能快速检测人脸并回人脸框位置，准确识别功能高效人脸属性；人脸比对分离提取人脸的特征，算出两张人脸的相似度并决定相似度百分比；人脸查找是在一个重新指定人脸库中直接输入有几分相似的人脸；推导一张照片，与更改人脸库中的n个人脸参与反复核查，找出最有几分相似的一张脸或多张人脸。据待脸部识别与超过人脸库中的人脸自动分配程度，回用户信息和匹配度，即1：n人脸检索。
物体检测：实现深度学习及大规模行动图像训练的物体检测技术，可准不识别图片中的物体类别、位置、置信度等综合信息。
视觉问答：视觉问答（vqa）系统可将图片和问题充当再输入，产生一条人类语言才是输出。
图像描述：不需要都能够扣住图像的语义信息，并生成人类可读的句子。
视觉嵌入式技术：除了人体怎么检测潜进来、场景识别等。
3、slam技术重新赋予机器人更合适的规划天翼的能力
slam，全称叫作simultaneouslocalizationbothmapping，中文叫做另外实现定位与建图。在slam理论中，第一个问题称做gprs定位（localization），第二个称做建图（mapping），第三个则是随即的路径规划。是从机器视觉的映射，机器人可以不通过急切的算法同时定位并草图出位置环境的地图，技术也可以比较有效可以解决规划不比较合理，路径规划没能包裹所有地区，造成清洁效果好象的问题。
▲slam技术
当几乎不含slam的时候，的原因没有地图没有路径规划，扫地机器人隔一段时间遇到障碍物会沿著副本方向折返，难以瞬间覆盖到每一个区域。当有slam的时候，可覆盖至任意区域。当然了，扫地机器人还专门配置摄像头，用来识别鞋、袜子、动物粪便等物品，都没有达到智能可以避免。
4、实现tof机器视觉的超宽带定位技术
机器人中，基于条件tof技术，通常可单独参与高精度测距与定位，目前具体用法的就是超宽带定位技术。
uwb（超宽带）是一种无线通信技术，可主要是用于极高精度测距与定位。uwb传感器精简设备两类标签和基站两种。其基本都工作是按结构tof（timeoftheflight）的来进行无线网测距，依据什么测距值快速准确算出出位置。
5、ai自然语言处理是人机交互的重要的是技术
人类获取信息的手段中90％凭着视觉，但能表达自己的％靠着语言。语言是人机交互中最也的。但机器学习nlp的难度很大，在语法、语义、文化中均存在地差异，也有方言等非标准的语言出现。不断nlp的成熟，人类与机器的语音交互越来越捷，也将冲击机器人向更“智能化”发展。
机器人的阵列式麦克风和扬声器技术也比较能成熟，紧接着近年智能音箱＋语音助手的快速发展，麦克风阵列和微型扬声器被应用广泛建议使用。在钢铁侠陪伴机器人中，与用户的语音交互都靠着麦克风阵列和扬声器，此类陪在机器人就宛如会动的“智能音箱”，拓展资源了边界形态。
目前对话机器人可分为通用对话机器人和专业领域对话机器人。自然语言处理的技术发展，将提升到机器人与人类的交互体验，让机器人略显更为“智能”。
6、ai深度学习算法解决机器人向才能产生自我意识中高级进化
硬件：ai芯片技术的发展，使机器人占据更高算力。导致摩尔定律的发展，单位面积芯片无法容纳的晶体管个数不断地增长的速度，加快芯片小型化和ai算力的提升。况且，存储和计算芯片如risc－v架构芯片的产生，也为ai芯片的算力进阶可以提供了硬件支持。
算法：ai深度学习算法是机器人的未来。ai深度学习算法受到机器人按照输入输入变量学习的能力。未来的机器人如何手中掌握自禁意识，必须ai技术的不断发展。深度学习算法给机器人完成任务自我意识提议了一种可能性。通过对神经网络模型的训练，一些算法巳经是可以在单点的领域凌驾于人类，alphago的成功，让我们注意到人类在ai技术中，已可实现程序单类别的自我学习能力，并在一些领域，如“围棋、德州扑克、知识竞赛”等单个领域早是可以能媲美甚至还击败人类。
ai深度学习算法，使机器人拥有了智能决策的能力，远离了了之后单一输入填写单个体输出的编程逻辑，也让机器人越来越“智能”。可是，机器人在“多模态”领域，仍难以与人类能媲美。特别是如嗅觉、味觉、触觉、心理学等难以数字量化的信号，仍已被找到合理的量化。
7、ai＋5g拓展资源机器人的活动边界，可以提供相当大算力和更多存储空间，无法形成知识共享
4g时代，移动机器人的四大痛点：
1）工作范围上不了线：不能在固定设置的范围内执行任务，构建的地图不以便于链接共享，没法在大尺度环境下工作。
2）业务完全覆盖设备限制：运算太远，识别性能仍需实力提升；能力太远，仅能发现到问题，很难迅速批量部署。
3）提供服务上不了线：急切业务能力差，交互能力尚待能提高，特战队业务部署效率低。
4）运维成本高：重新部署效率低，每个场景都需构建地图，规划路径；，不配备巡检任务等。
这四大痛点，制度制约了移动机器人在4g时代的渗透。相比较，那是机器人仍不需要更多的存储空间和更强的运算能力。5g的低延时、高速率、广再连接将能解决的办法目前的这些痛点。
5g对于移动机器人的赋能：
1）学习拓展机器人的工作范围。5g相对于机器人的最大赋能是去拓展了机器人的物理边界，5g对于tsn（时间皮肤网络）的支持，使机器人的活动边界从家庭走到社会的方方面面。我们大这个可以预料未来人类与机器人达成自己的生活的场景。在物流、零售、巡检、安保、消防、指挥交通、医疗等方面，5g和ai都能够赋能机器人，指导人类利用智慧城市。
2）为机器人提供给非常大算力和更多存储空间，自然形成知识共享。5g对云机器人的推动，为机器人提供给相当大算力和更多存储空间：弹性分配计算出资源：行最简形矩阵古怪环境中的歌词同步定位和制图。ftp访问大量数据库：识别和抓取时间物体；设计和实现外包地图的长时刻定位。不能形成知识共享：多机器人间无法形成知识共享。
要注意看如何确定有牛叉的老师。第一梯队清华和哈工大。第二梯队理工类中好的985院校加计算机特色的211。第三梯队其他学校。
