機器人感測器將光線、距離、運動、關節位置、力、壓力及其他物理量轉換為測量值。物理 AI 依賴這些資料流來估計世界和機器本身。模型無法恢復感測器佈局從未觀測到的資訊，也不應該將雜訊讀數視為完美狀態。
感測器的選擇從任務開始。導航需要自由空間和定位證據。操作需要物體幾何形狀、手腕姿勢、接觸和握持狀態。人與人互動需要覆蓋人員和防護裝置。正確的套件取決於距離、解析度、速率、延遲、環境、故障容忍度和成本。
感測器是 物理 AI“看-想-行”迴圈的第一階段。它們的輸出只有在校正、同步和狀態估計將其與機器人決策連線後才有用。如果裝置影格和時間戳不一致，裝置越多，也無法保證狀態更好。
RGB 攝影機捕捉外貌和語意線索
RGB 攝影機記錄顏色和紋理，有助於辨識物體、讀取標籤、辨識人物和解讀場景。解析度、視野、曝光、鏡頭畸變和影格率會影響效能。反射、眩光、黑暗、運動模糊和遮擋可能消除關鍵證據。
相機佈置應覆蓋工作區，同時不產生不可避免的盲區。固定相機提供穩定的全域視野，而手持眼鏡則能隨著機械臂移動獲得近距離視野。多攝影機增加了覆蓋範圍，但增加校正、同步和頻寬需求。
深度相機估計三維結構
立體光、飛行時間相機和結構光相機利用不同的物理原理估算深度。立體光依賴於匹配的影像特徵，飛行時間測量回應的光時或相位，結構光則觀察投影的圖案。距離、陽光、反射表面和透明物體對它們的影響不同。
深度支援物體姿態、箱體幾何、障礙物距離和抓取規劃。邊緣附近缺失或偏重深度可能導致不安全的碰撞幾何。驗證所選感測器的代表性材料、距離和光照，而非僅依賴標稱範圍規格。
| 感測器 | 措施 | 實力 | 共同限制 |
|---|---|---|---|
| RGB 攝影機 | 彩色影像 | 語意與質感 | 沒有直接的度量深度 |
| 立體聲深度 | 深度與視差 | 被動和豐富的紋理場景 | 對低質感或眩光感較弱 |
| 飛行時間 | 主動測距 | 直接稠密距離 | 多徑效應與陽光效應 |
| 結構光 | 投影圖案深度 | 精準的室內近距離 | 干擾與戶外限制 |
LiDAR 度量涵蓋周圍場景
光達發射光線並測量回波以形成距離或點雲。二維掃描器支援平面導航，而多波束和固態裝置則提供更豐富的三維覆蓋。角度解析度、回波強度、掃描模式和運動畸變塑造了資料。
對於移動機器人，光達即使在視覺紋理薄弱時也能支援地圖繪製、定位和障礙物檢測。玻璃、黑暗表面、天氣和有限的垂直覆蓋仍可能導致故障。低矮的平面掃描器可能會錯過桌面或懸垂的障礙物。
IMU 測量旋轉和線性加速度
慣性測量單元通常結合陀螺儀和加速度計。它在較慢的相機或光達更新之間提供高速運動證據。當慣性資料整合時，偏置和雜訊會積累，因此通常需要另一個參考點來限制漂移。
安裝剛性、軸線對齊、振動和溫度都會影響訊號。行走機器人還會受到可能飽和或干擾讀數的衝擊。校正和濾波應與運動頻譜匹配，而不是平滑控制所需的快速事件。
編碼器顯示機器人內部運動
關節編碼器測量馬達或關節位置，推導值估計速度。增量和絕對器件在通電後位置恢復方式有所不同。馬達端和輸出端編碼器在齒輪箱引入間隙、彈性或打滑時觀察到不同的效應。
編碼器是回饋控制的核心，但不能證明環境按預期移動。指令下的抓鉗可以在物體滑動時關閉。將關節狀態與視覺、力或觸覺訊號結合，將內部運動與任務結果聯絡起來。
力-轉矩和觸覺感測器測量相互作用
六軸力-轉矩感測器可估算手腕、關節或底部的力矩和力矩。它支援接觸檢測、插入、順應和碰撞監測。手指上的觸覺陣列可估算壓力分佈、接觸位置及靠近握把的滑動線索。
這些測量對於靈巧操作非常重要，有助於解釋 為何人形機器人手部難以操作。感測器距離、過載、漂移、滯後和保護罩都可能改變有用的靈敏度。接觸閾值需要驗證工具和有效負載的實際情況。
| 互動感測器 | 位置 | 有用的訊號 | 設計權衡 |
|---|---|---|---|
| 腕部六維力/力矩感測器 | 臂與工具之間 | 淨力與力矩 | 無法定位手指接觸 |
| 關節轉矩 | 致動器還是接頭 | 負載與擾動 | 摩擦使估算變得複雜 |
| 觸覺陣列 | 指面 | 壓力與接觸面 | 佈線與耐用性 |
| 簡單開關 | 夾爪或保險槓 | 二進位制接觸 | 資訊量不多，但很穩健 |
校正將測量資料與幾何形狀連線起來
內在校正描述了相機或感測器的內部測量模型。外在校正描述了其相對於另一個感測器或機器人框架的姿態。關節零偏移和工具-中心-點校正將指令運動學與實際機構連線起來。
校正在撞擊、維護、溫度變化或機械運動後會漂移。儲存校正版本並記錄資料，並新增健康檢查以發現相機移位或安裝座鬆動。一個模型在一個幾何體上訓練，但部署無聲地使用另一個幾何體時，模型可能會失敗。
時間同步和空間對齊一樣重要
移動機器人在不同時刻看到不同的狀態。如果影像、關節角度和力讀數的時間戳不一致，融合可以創造出從未存在過的狀態。硬體觸發、時鐘同步和近採集時間戳可以減少這種誤差。
除了取樣率外，還要測量傳輸和處理延遲。緩衝可能對齊流，但會增加反應延遲。正確的策略取決於任務速度：慢速檢測容忍比避免碰撞或動態抓取更多的延遲。
感測器融合應暴露不確定性和故障
Fusion 結合了互補的測量，如高速 IMU 與限制漂移相機或光達。濾波器、最佳化和學習的估計器都可以使用。該架構應辨識陳舊、飽和、缺失或不一致的輸入，而不是在沒有健康檢查的情況下對每個流進行平均。
所得估計不僅用於儀表盤，還用於規劃和控制。 世界模型 可能利用融合狀態來預測結果。當覆蓋率、信心度或感測器一致性低於驗證閾值時，安全邏輯可能會減緩或停止。
透過任務級測試選擇感測器
為每個任務決策制定測量預算：所需距離、精度、視野、更新率、延遲和允許的失效機率。測試代表性表面、照明、振動、溫度和遮擋。在故障測試中包括髒鏡片、阻擋回波和斷開裝置。
比較任務成功率與單個感測器被移除或降低的情況。這揭示了冗餘和隱藏的依賴關係。在可行的情況下記錄原始資料，以便演算法可以重演，同時管理頻寬、隱私和保留。最好的套件是最小的，既符合覆蓋範圍又符合安全，並有可診斷的餘地。
評估“用於物理 AI 的機器人感測器：攝影機、 LiDAR、 IMU、編碼器、力/力矩與觸覺”時，還應儲存模型版本、機器人設定、校正檔案、測試日期和全部試驗記錄。
只有把這些持續投入與單位成功任務的價值比較，才能判斷方案是否適合擴大。
上線後仍要持續檢查分佈變化、感測器漂移、機械磨損和人工接管原因。
- 定義每個感測器支援的決策。
- 測量距離、準確率、速率和延遲。
- 一起校正時空。
- 測試材料和環境邊緣情況。
- 設計故障檢測和安全降級模式。
常見問題
每個機器人都需要什麼感測器？
沒有通用的裝置。大多數機器人需要內部位置回饋，而外部感測器則依賴導航、操作、互動和安全要求。
光達比深度相機更好嗎？
兩者都不是絕對優越。光達通常提供強力的距離和更廣的距離，而深度相機則提供密集的區域性幾何形狀。環境、材料、視野和成本決定了選擇。
為什麼要把 IMU 和攝影機或光達結合起來？
IMU 提供高速運動資訊，但整合時會漂移。視覺或光達提供環境參考，可以糾正長期漂移。
力感和觸覺感測器是一樣的嗎？
不是。手腕力-轉矩感測器測量一個位置的淨負荷。觸覺感測器測量靠近表面的接觸分佈，可以揭示區域性壓力或滑移。
機器人感測器應多久校正一次？
在除錯時及機械變更或撞擊後校正，然後持續監測健康狀況。該間隔取決於安裝的穩定性、環境和任務容忍度。
感測器選擇說明
感測器規格、韌體和支援的介面會變化。確認目前製造商檔案，並在機器人真實材料、照明、運動和故障條件下測試完整的感測器到決策鏈。
一手資料：S. Winkvist，維基共享、公有領域