人工智能（AI）技術的進步推動自動化機械人邁向環境適應新時代。
機械人技術在過去數十年的進步令人矚目，但仍有不少難題尚待解決，未能充分發揮其潛力。傳統機械人通常要依靠預先編寫的指令和受限制的配置，難以應對預料之外的情況。AI技術涵蓋認知、分析、推理及決策，使機械人能夠智能操作，顯著提升其協助和支援人類的能力。
在工程系統中導入AI技術增強機械人性能，推動其在工業、農業、物流、醫學等領域有更廣泛的應用，使機械人能夠更加自主、有效率地執行複雜任務。這項技術進展不僅釋放了機械人的實際應用潛力，也有助解決迫切的醫療和環境問題，以及在工業革命4.0的背景下促進智能製造的範式轉型。
香港理工大學機械工程學系智能機器人與自動化講座教授、香港理工大學（南京）技術創新研究院院長張丹教授，帶領研究團隊運用AI技術，研發出多項具備高動態性能的新型機械人系統。
張教授的研究團隊最近提出了一項抓握姿勢檢測框架，應用深度神經網絡生成出一組具備全方向（六自由度「6-DoF」）的精準抓握姿勢。為了準確偵測要抓取的物體，團隊在不同半徑的多尺度圓柱體上應用卷積神經網絡（CNN），就每個物體的估算位置及尺寸，提供詳細的幾何資訊。
透過多個多層感知器（MLP），可以將機器手抓取物體的精確度參數進行最佳調整，其中包括抓取器寬度、針對特定的平面內旋轉角度及抓取器深度的抓取分數，以及碰撞偵測。這些參數會輸入到框架內的演算法，用於擴展預設配置，以產生專為場景而設的全方位抓握姿勢。實驗結果顯示，此方法在實驗室模擬環境中的表現全面優於基準方法；在現實實驗中平均成功率為84.46%，而基準方法的平均成功率僅為78.31%。
此外，研究團隊亦利用AI技術，為一款協助膝關節損傷患者進行步態復健的新型機械人膝關節外骨骼，提升其功能及使用者體驗。該外骨骼的結構包括: 以電動機驅動，用於主動輔助膝關節屈曲與伸展的執行器；能將外骨骼的重量轉移到地面的踝關節；以及由另一組由電動機驅動的剛度調節機件。
機器學習演算法中的長短期記憶（LSTM）網絡可用於即時調整非線性剛度及扭矩，模仿人體膝關節的生物力學行為特性。此網絡透過大量肌電圖（EMG）訊號與膝關節運動資料進行訓練，能夠根據使用者的生理訊號及動作狀態，實時調整外骨骼的剛度和扭矩。透過預測所需的參數調整，該系統可以適應各種步態需求，有效提升使用者的步行穩定性及舒適度。
本研究整合了基於徑向基函數（RBF）網絡的自適應接受控制演算法，使機械人膝關節外骨骼能夠自動調整關節角度及剛度參數，無需使用力矩傳感器。這樣可以提高位置控制的準確度，以及外骨骼對不同步行姿勢的適應能力。此方法以數據為主導，可以完善模型預測，並隨時間推進而提高整體表現。實驗結果顯示，該模型在準確度和實時反應方面，均優於傳統的固定控制方法，能夠根據不同步速的使用者，產生合適的參考關節軌跡。
張教授的創新研究以深度學習為主的AI技術，顯著提升了機械人在感知與理解環境方面的能力。這項技術進展使機器人能夠更有效、靈活地解決和應對超出標準作業設定以外的非固定任務。AI與機械人技術的融合，不僅提升了操作的精度與準確度，還為機械人自動化帶來了全新功能，能夠做到即時決策及持續學習的能力。因此，不斷提升機械人的性能，從而拓展其在未來社會中的應用範疇。
更多有關研究
