投稿|当工业机器人拥有一双慧眼，这个百亿赛道被重塑投稿|人工智能

文章图片

图片来源@视觉中国

文｜光锥智能，作者｜卢滢西

巨大的厂房里，搭载着3D工业相机的机械臂正在进行着今天的工作，它需要将烧得通红、重达百斤的火车轮进行抓取上料。
高达500℃的温度，这样的场景，光想想就已经热得冒汗。
而就是这样酷热的环境下，在以前，这项工作基本是由工人来操作的。
3D视觉的出现，让机器人不仅能够在极端条件下抓取轮胎，还能拧螺丝、抓麻袋，实现“万物皆可抓取” 。
近些年来，人工智能技术的发展推动了3D视觉的诞生，由3D视觉引导的工业机器人，能够识别各类规格的纸箱、麻袋等物流行业的常见物体，并通过深度学习建立模型，实现对新物体的准确识别和抓取。
而资本的嗅觉是最敏锐的。
据光锥智能不完全统计，2021年全年，3D视觉在工业机器人领域共发生融资事件17起，而仅仅是2022年第一季度，该领域就发生融资事件9起，实现了融资量的翻倍增长。
而火热在第二季度再次延续。近日，梅卡曼德宣布完成C+轮融资，与此同时，星猿哲也完成了B+轮的融资。
赛道的升温，背后是工业机器人智能化需求的推动。
长期以来，由于作业精度不够高、不够灵活，传统工业机器人一直被打上“笨重”、“刚性”的标签，虽然在一定程度上代替了人力，但效率提升有限。面对复杂的生产环境，工业机器人需要迈向自适应、自感知的智能化升级。
从“机器换人”到“智能智造”，利用3D视觉和人工智能技术，机器人重构工业生产正当时。
01、生产的新“视界”1969年，第一片CCD图像传感器在美国贝尔实验室诞生，此后，生活、生产的各个领域都开始与图像和视觉相连接。
人类70%的信息都是通过眼睛感知到的，机器人也一样。在3D视觉出现之前，机器人识别三维世界需要先拍摄2D画面，再经过计算得出三维立体数据，过程繁琐复杂。特别是在工业生产中，仅仅依靠平面成像不足以提高工业机器人的智能化水平，它需要一双更明亮的“眼睛” 。
作为机器视觉的一种，3D视觉在完成了2D成像的迭代后，也提高了机器人作业的灵活性。与2D视觉相比，3D机器视觉通过三维成像技术，能够获得物体高精度的三维点云坐标。
但3D视觉的最终目的并不只是让工业机器人能够“看得清”，还得“看得懂” 。
就传统的工业机器人而言，大多是按照既有的指令来执行任务，动作重复机械。但加上3D视觉技术以后，可以通过图像获取、信息处理和机械控制的传导路径来实现高效灵活作业。
例如，在汽车制造的焊装车间里，需要对大型副车架的各类孔径、位置度等关键参数进行精准测量，单个工件微小的误差都会影响最终的装配效果。利用3D视觉技术，能够生成孔位等细节的高质量成像，将所得信息传输给计算机以后，机器人就可以灵活应对不同位置的孔位，快速、精准地完成测量任务。
从自动化到智能化，中国制造业单件大批量的传统生产模式正在逐渐被小批量、分散的柔性化生产模式所替代。因此，如何实现高端制造中机器人柔性化、小批量、定制化的生产，成为了高端制造和智能制造机器人关键技术需要解决的问题。
此前，华为天才少年稚晖君自制机械臂给葡萄皮缝针的视频在B站大火，工业机械臂的精细化生产也进一步进入大众的视野。
从前，在汽车、钢铁等制造业中，零部件的装配工序都主要由人工来操作，劳动强度大、效率低，而且零部件种类多、结构复杂，传统的自动化很难满足柔性化生产的需要。而3D视觉的出现扭转了这一局面。
3D视觉能够在拧螺丝、装汽车轮胎以及重物的上料装配等场景实现应用，引导机器人识别并抓取随意摆放的工件，按要求将工件装配于指定位置，实现高精度定位抓取及高精度纠偏放置。
从应用功能来看，3D视觉技术在视觉引导和检测类场景应用较为广泛。而从应用终端来看，物流、金属加工和汽车零部件行业是当前3D视觉工业机器人较为重要的应用领域。
每逢“618”、“双十一”等节日大促，电商仓内都需要处理上百万件的日订单量，而传统人工供包模式人力成本高、效率低，难以满足高分拣效率的客观需求。面对海量无序的SKU，3D视觉可以快速、准确识别包括硬包、软包、信封等多种形态的包裹，实现各类包裹的三维定位，引导机器人进行抓取并放置到指定地点。
可以预见，随着相机、镜头等核心硬件性能的提升，以及图像处理、深度学习等软件技术的发展，3D视觉技术重构工业生产的作用将会更加凸显。
02、4年涌入近百家，新老玩家大混战在2018年的上海工博会上，展示3D视觉方案的工业机器人公司还寥寥无几，而伴随着3D技术越来越成熟、智能制造的兴起，多家3D视觉工业机器人公司获得了融资，此前相对冷清的赛道开始热闹起来。据高工机器人统计，目前中国市场上3D视觉厂商的数量大概在60-70家，且这一数量还在持续增长中。
热潮之下，一批智能机器人创业公司雨后春笋般涌现，如库柏特、灵西机器人、梅卡曼德、非夕、阿丘科技、星猿哲等。
传统的老牌企业也不甘示弱。工业机器人的“四大家族”ABB（瑞士）、安川（日本）、发那科（日本）和库卡陆续入局，同时，也能看到AI视觉领域海康威视和旷视的身影。
3D视觉工业机器人也受到资本的追捧。截至6月20日，2021年以来，工业3D视觉领域发生的融资事件共31起，融资金额高达数十亿美元，融资轮次主要集中在A轮和B轮，说明整个行业还在早期。

文章图片

图：2021年以来工业3D视觉领域主要投融资事件，整理：光锥智能
2016年，梅卡曼德CEO邵天兰曾在知乎上回答了“国产工业机器人目前发展到了什么水平？”的问题：“五至八年内中国机器人的硬件水平可以追上第一集团，三至五年内软件水平可以弯道超车，赶超第一集团。”
在机器视觉赛道上，国外的基恩士、康耐视等公司，在2D视觉领域占据着几十年的“霸主”地位。而如今，整个3D视觉市场仍处于发展的早期阶段，国内外厂商在硬件产品和软件算法上能够站在同一起跑线上。
其次，在3D视觉+AI+工业机器人的细分赛道，国内厂商布局更早。作为制造业大国，中国拥有丰富的工业应用场景，也产生了很多定制化需求，锻造了国内厂商较强的项目交付能力。
相较于国外厂商在应用需求形成一定规模时才会考虑开发方案，国内厂商更善于抓住机会去推广自己的产品，以量变的积累形成质的飞跃。
而在2D视觉市场长达几十年的发展历程中，行业格局早已趋于稳定，技术方向也较为固定，玩不出什么新花样。如果不是新技术带来新机会，新玩家很难切入场景。
就目前而言，3D视觉在工业机器人领域的应用，市场渗透率并不高，基本竞争格局可以分为上游元器件、软件算法、3D相机软硬件、一体化解决方案四类。由于产业处于早期阶段，国内市场格局较为分散，梅卡曼德和灵西机器人这类创业公司参与了产业链的多个环节，在一体化解决方案上走在前列。
虽然两者在软件算法平台的开发上相差无几，但在硬件技术和3D成像技术上，灵西机器人要优于梅卡曼德，而梅卡曼德则在缺陷检测应用中有更多的落地方案。在重点的下游应用行业，灵西机器人在物流、锂电市场有较为成熟的方案，而梅卡曼德在汽车等其他市场的优势更为明显。
从国内的市场竞争格局来看，能够进入规模化量产阶段的公司跑在第一梯队。而视科普销售总监余舒帆也曾表示，“随着涌入3D视觉赛道的玩家越来越多，会加剧头部企业的形成。同时，关于3D视觉的市场规模和行业应用会实现进一步突破。”
实际上，无论是行业格局还是技术发展，3D视觉仍然处于早期。而工业生产试错成本高，因此，在解决方案没有落地之前，资本和客户都在观望。
2019年，梅卡曼德的3D视觉+AI+机器人解决方案在汽车、家电、3C、物流等行业实现了50多个项目的落地，而灵西机器人、星猿哲等公司也分别获得了Pre-A轮和A轮融资。
从demo到方案落地，在没有客户和渠道积累的前提下，以技术见长的创业公司克服了经验不足、对行业了解不透的问题，砸出了3D视觉在工业机器人领域的第一道水花。
03、难题：成本待下降，技术仍需迭代虽然机器视觉已经走过了70多年的历程，但对于3D视觉来说，真正意义上发展起来，是在2018以后。
4年时间，犹如一个孩童刚走得稳当。
据MIR睿工业统计，2021年工业3D视觉市场出货量达2.7万套，在整个工业机器视觉市场出货中占比不足5%，市场渗透率较低。
中国机器视觉产业联盟数据显示，在机器视觉的下游应用市场中，消费电子是现阶段3D视觉的主要应用市场，占比24.79%，其中智能手机应用占比最大；其次，半导体和汽车行业也是3D视觉主要的阵地。
3D视觉市场潜力巨大，但另一方面，也存在一些问题：3D视觉在工业机器人领域批量应用少，成本和支出难以平衡。
据悉，国产3D相机的价格一般在5-7万元人民币，进口相机在10万元及以上。而成本主要由前期的研发投入以及硬件本身的成本组成。
对于很多3D视觉+AI+工业机器人的解决方案提供商而言，前期投入的大量研发费用会拉高成本，而且在市场导入期，批量应用尚未展开，无法通过规模化生产的方式摊薄成本，这就导致了产品高昂的价格。
另外，3D相机硬件的成本约占整体硬件成本的40% 。而在硬件市场上，海外厂商占据大部分高端市场份额，产品售价约比国内厂商高出50%-100% 。3D相机内置的芯片、光学镜头等核心零部件需要外购，尽管近些年刮起了国产替代的风，但仍然还没撼动国外厂商的地位。
成本下不去，客户难买单，高昂的价格减缓了市场拓展的速度。
而技术和人才也仍存在一些待突破的难题。
3D视觉主要分为硬件设备和软件算法两个部分，光源、镜头、相机等硬件产品负责成像，视觉控制系统则负责处理成像的数据并输出结果。
在硬件方面，3D工业相机的作业频率需要适应机器人的固有最高节拍。据悉，ABB速度最快的SCARA机器人的节拍时间可达0.29秒，这对3D工业相机的作业速度提出挑战。同时，目前的3D工业相机无法完全排除环境光的干扰，仍然会受到高反光工件以及环境光的变化带来的影响。
在软件算法方面，也同样需要进一步提升。在缺陷检测应用中，往往是给定一些具体的缺陷模型，让3D视觉来识别缺陷是否存在。但在实际应用中，许多缺陷由于缺少样本或者样本量少，从而出现漏检的情况。3D视觉对识别非预期性的缺陷还需要更强的学习和处理能力。
【投稿|当工业机器人拥有一双慧眼，这个百亿赛道被重塑】另外，3D视觉是一个交叉领域，涉及光学、3D成像、深度学习、运动规划等众多技术，链条很长。相关领域的人才稀缺也导致了售后技术支持的窘境：懂软件算法的，不一定会修理硬件。如果遇到设备故障的情况，售后链条长。
归根结底，由于3D视觉仍然处于Gartner曲线的技术萌芽期，市场整体比较碎片化，离解决方案大规模的成熟落地还有一段距离。任何新兴的技术产业都需要经历这一过程，要先学会走，才能真正跑起来。