一个机器人诞生于20世纪50年代末和60年代初，但从技术上讲，它不是一个机器人，它只是一个“可编程物体传输装置” ，在通用汽车生产线上的压铸机周围移动产品。 1954年 * * 句强调了本发明的可编程性和通用性，并声明可编程性要求传感器确保程序、期望轨迹或功能与实际运动之间的一致性。
       今天，机器人并没有完全偏离原来的概念：今天的机器人可以编程。他们需要意识到他们的环境，以确保他们所做的与他们要做的是一致的。此外，他们需要活跃在自己的环境中。过去50年来发生的变化主要是在这些基本概念的复杂性、速度和应用方面。
       尽管**个挪移机器人首要用于压铸，但父约瑟夫机器人英格（约瑟夫·昂热尔伯格）深受机器人的阿西莫夫**定律的影响 - 机器人不得危害人类或人身危害甚么也看不见。他的机器人可以部署到保护人类的地方。通过增加传感器数量来保护人是驱动力，特别是在协作机器人或AGV英寸中
              是什么推动了机器人产业的发展？
       为了更好地理解自主机器人的追求，让我们来回顾一下亚历克斯·威斯纳·格罗斯的“智能定律”方程：它是一种熵力，解释了机器人的发展趋势：
 F = T ∇ Sτ                               （1）
       指的是力F *未来很大程度上自由移动，T是温度（可用资源）的总强度被定义，S是指熵时间τ。
       作为工业机器人和科学，我们的目标是通过增加嵌入式仿真智能来*大限度地发挥未来机器人的行动自由。这需要：
       有更多的传感器可以得到更好的机器人环境模型。
       我有更好的传感器连接到控制算法（和更分散的控制算法）。
       一种更好的方法可以提取作为来自传感器的数据多的信息。
       提供了一种更好的执行器，可以根据控制算法的决策，更准确、更快地移动。
       正如你在今天的科学技术中所看到的，机器人已经获得了很大程度的自主性，互补的金属氧化物半导体相机的传感器，激光雷达和雷达被用于各种各样的应用。 虽然相机的角分辨率和动态范围比雷达大得多，但相机不能提供激光雷达的动态范围，也不能在烟尘中工作。
       由于机器人被设计成*灵活的选择，适合*广泛的应用，它们需要在弱光、灰尘或明亮的环境中工作。这种灵活性可以通过将传感器信息组合成一系列步骤来实现，即佛山或传感器融合。换句话说，来自不同传感器的信息可以用来重建机器人环境的弹性表示，从而在更广泛的应用中实现自主性。例如，如果相机暂时被覆盖，其他传感器必须能够使机器人安全运行。为了确保机器人对周围环境有充分的了解，机器人的传感器数据需要以一种有时限的方式路由，并用少量的电缆连接到机器人控制器上，以大大提高连接的可靠性。
       如今，高带宽，低等待时间总线，主要是基于低电压差分信号（LVDS）。然而，由于LVDS接口标准的缺失，导致了生态系统传感器控制器的分裂和不同厂商混合解决方案的困难。一旦传感器数据传输到机器人控制器，一系列基于深层神经网络的机器学习算法可以帮助提高机器人环境的精度。用深度学习教父Yann LeCun、Yoshua Bengio和Geoffrey Hinton的话说，“深度学习批准由多个措置层组成的计算模型学习领有多个抽象层的数据表示。这些深层神经网络可以用于机器人内部的快速实时处理，或者在云中收集元信息，或者用于更复杂的推理。
       对于大多数的机器人，推理的边缘，是确保环境的一个重要参数，机器人可以快速响应变化。边缘推理可用于卷积神经网络，神经类似网络拓扑可用于图像分类或预防性维护估计进深尺寸Q网络可用于机器人路径规划，或自定义一类神经网络，以解决特定问题。
       展望未来
       在未来，传感器不太可能有太大的变化，但所涉及的过程将有所不同。高光谱成像传感器可以或可以提供更高的分辨率。激光雷达可以有更高的波长，更安全，更大的范围。雷达传感器可以配备一个集成天线，但这并没有显著变化。在未来，信息和聚合将被取代。