IT-OT融合時代的自動化公司不斷尋找更好的方法來增加現有的運營工作量、優化生產流程并減少總體二氧化碳(CO2)排放量。

運營技術 (OT)和信息技術(IT)的使用幫助企業通過監控有價值的資產、減少重復性和例行性任務以及加強質量控制來更好地控制其運營。

然而，IT和OT傳統上是分開開發的，無法利用運營和生產數據來做出更明智的決策，以實現更優化的工作流程和計劃周密的生產和維護流程。

近年來物聯網(IOT)的出現模糊了兩個系統之間的界限，導致了更加融合的解決方案。屬于IT領域的物聯網設備可以從現場收集操作和生產數據，并將它們傳送給OT系統。IT和OT的融合將使員工能夠做更多的事情并進一步改進，從而在業務成本和戰略技術投資之間取得適當的平衡。此外，這種融合將使企業能夠加速數字化轉型并優化現有工作流程，所有這些都不需要快速擴大規模。

圖形處理單元(GPU)已被證明是執行基于機器學習(ML)算法的數據處理的理想選擇，允許機器人執行對象識別和傳感器融合。進一步的進步來自開發在特定ML應用程序(如視頻處理和語音識別)方面表現出色的專用集成電路(ASIC)。

機器人自動化

最能代表IT-OT融合的技術之一是通過機器人自動化進行運營管理。通過自動化流程，公司可以分析數據，獲得有價值的見解，并提高其生產現場績效的可見性，幫助他們做出數據驅動的決策。

然而，機器人技術的開發傳統上非常復雜且具有挑戰性。隨著對機器人的需求預計將迅速增加，當前的創新速度可以通過適當的硬件和軟件產品來加快。

機器人技術的興起總的來說，機器人的部署使這些設備具備了新的功能，旨在提高員工的安全性，減少人類員工的繁重和危險的任務，

加速電子商務的履行和交付，并增強業務的靈活性和彈性。

這些新功能需要實現滿足功能安全和風險預防要求的高精度傳感器，用于檢測、定位和導航的攝像頭，以及用于應用程序載入的機器人中間件。近年來，機器人硬件的重大進步使機器人原始設備制造商 (OEM)能夠開發能夠看到和感知其環境的機器人：

計算處理器——計算處理器近年來變得更加強大，允許機器人原始設備制造商直接在機器人上運行資源密集型應用程序。例如，圖形處理單元(GPU)已被證明是執行基于機器學習(ML)算法的數據處理的理想選擇，允許機器人執行對象識別和傳感器融合。進一步的進步來自開發在特定ML應用程序(如視頻處理和語音識別)方面表現出色的專用集成電路(ASIC)。

傳感器技術——二維(2D)和三維(3D)攝像頭、2D和3D光檢測和測距LiDAR傳感器、慣性測量單元(IMU)和接近傳感器等傳感器的普及使高精度機器成為可能視覺和傳感器融合算法。典型的地面自主機器人可能具有多個高清(HD)攝像頭、3D深度傳感器和LiDAR傳感器。加上基于ML的傳感器融合技術的不斷改進，它們成為功能安全、同步定位和地圖(SLAM)系統以及風險預防能力的重要推動因素。

邊緣計算——在工業網關和本地服務器中處理信息的能力意味著機器人可以在邊緣收集、處理和存儲信息。這大大降低了機器人操作的延遲和連接要求，同時減輕了安全和隱私問題。

連通性——機器人生成并收集大量信息。據估計，如果包括計算機視覺和路徑規劃等AI過程的輸入和輸出，自主機器人每小時可以生成多達500GB的數據。因此，成功的機器人部署需要可靠的連接解決方案，以高帶寬和低延遲水平傳輸數據。同時，軟件和服務的進步也值得關注：

開源軟件——許多現代機器人使用機器人操作系統(ROS)和ROS2作為機器人開發的中間件和模擬器。從技術上講，開源ROS比操作系統 (OS)更多的是中間件，它包括硬件抽象和消息傳遞的功能，以集成這些不同的數據源。ROS還配備了高保真、實時和物理精確的3D仿真引擎，可用于開發、訓練和測試機器人控制軟件。

運動規劃和導航——機器視覺的進步為機器人提供了一系列新的認知能力。經過多年依賴磁帶和基準標記，視覺SLAM(vSLAM)技術現已成熟，可提供卓越的定位和導航功能。用于多機器人協調的群體智能得到進一步發展，特別是對于部署在履行中心的自動導引車(AGV)和自主移動機器人(AMR)。

網絡安全——隨著機器人越來越多地連接到云，使用微內核、用于不同安全功能的獨立實時操作系統、虛擬機和虛擬機管理程序來隔離安全關鍵組件是將網絡安全風險降至最低的最有效和最安全的方法機器人。

機器人操作——最后，公司正在尋找一種簡化的方法來部署、操作、監控和重新配置機器人。擁有一個可以為公司提供所有機器人和傳感器數據的單一平臺，可以讓他們對機器人操作有一個鳥瞰圖。機器人操作，也稱為 RoboOps，可幫助他們執行遠程干預、端到端安全、預測性維護、持續改進以及來自其他物聯網設備的數據集成。

通過這些關鍵的進步，機器人現在可以安全可靠地與人類一起工作。除了工業機器人手臂，近年來還出現了更多形式因素，例如協作機器人(cobots)、AGV、AMR、自動存儲和檢索系統(ASRS)以及無人駕駛飛行器(UAV)。

所有這些機器人的一個共同點是它們感知和理解周圍環境的能力。這種自主性是通過機器人中的多個ML模型實現的，例如對象檢測和分割、定位和碰撞避免、導航和操縱的運動規劃、姿態估計和傳感器集成。

Edge ML(邊緣計算)使機器人用戶能夠理解他們從資產中收集的海量數據，并根據日常操作、使用趨勢和客戶行為做出更好的業務決策

審核編輯黃宇