至顶网CIO与应用频道 11月09日 北京消息:人机协作机器人全球领导企业优傲机器人 (Universal Robots) 与高工产研机器人研究所,今日在中国国际工业博览会上联合发布了《2017年协作机器人行业发展蓝皮书》。《蓝皮书》对协作机器人行业的发展态势、市场规模、技术趋势、应用前景及面临挑战进行全面梳理和分析,填补了行业空白,具有划时代的意义。该蓝皮书旨在帮助协作机器人产业链中相关企业了解协作机器人产业当前最新发展动态,把握市场机会,做出正确经营决策。
高工产研数据显示,2016年,全球协作机器人销量1.05万台,同比增长95.35%;市场规模达19.62亿元。2014-2016年,协作机器人销量及市场规模年复合增长率分别为74.71%和71.23%。自2008年优傲机器人推出世界上第一款协作机器人UR5以来,全球协作机器人市场超高速增长。传统工业生产模式遭遇瓶颈、机器人智能系统技术的提升,以及中小企业借力协作机器人迈向工业4.0等均成为推动市场高速发展的驱动力。
随着市场的迅猛增长,目前涉足协作机器人的厂商已超过50家。“协作机器人”已经开始深入人心,并获得各行业人士的高度认可。上海智能制造产业技术创新战略联盟陈廷炯常务副秘书长就对优傲机器人作为协作机器人的开创者和领导者,在中国市场推广上不遗余力的贡献表达了感谢之意。他在发布会上表示:“中国是全球最大的制造业市场,拥有全球扶持力度最大的国家政策,以及极具活力和创新力的人才,相信优傲机器人必将在‘中国制造2025’的大环境下得到丰厚的收获。”
优傲机器人全球总裁 Jürgen von Hollen表示:“协作机器人不仅仅是大企业的有利工具,也是中小企业的好帮手,人人都可以使用协作机器人。至于如何开始机器人自动化,则需要确定实施自动化的流程、是否需要改动流程中的机械部件以及工厂车间的可用空间,从而选择灵活的自动化解决方案,保证工人的安全并考虑自动化的价值。”
优傲机器人创始人、全球CTO Esben H.Østergaard补充道:“在生产过程中,机器人只有与工人或操作人员的频繁良性协作,其自动化才能更好的发挥潜能。在人机协作领域中,人与机器得以互补和促进。工人可以加入人性化元素,使产品个性化,而协作机器人可以事先进行产品加工,或是为工人备妥需要加工的产品。机器人的使用不代表工人将被替代,而是增强工人的能力,并且让他们能够使用协作机器人作为多功能的工具。”
相比成熟的国外市场,协作机器人在国内尚处于起步阶段,但发展速度十分迅猛。近年来,在企业面临转型的客观发展需求和国家政策红利的激励下,各地区实体制造业企业向工业机器人智能装备转型的氛围日渐浓厚,众多下游企业有通过协作机器人实现降本增效的意愿。高工产研数据显示,2016年,中国协作机器人销量2300台,同比增长109.09%;市场规模达3.60亿元。2014-2016年,中国协作机器人销量及市场规模年复合增长率分别为95.79%和68.94%。
对于优傲机器人在中国的应用情况,优傲机器人中国区总经理苏璧凯认为:“中国市场一直是优傲机器人公司的重要战略阵地,自进入中国以来,优傲机器人发展迅猛。目前,优傲在中国的经销网络已覆盖了全国大部分地区。放眼未来,我们将一如既往地深耕中国市场,踊跃参加国内的行业活动,积极拓展合作伙伴网络,壮大优傲的生态系统,为中国客户提供高效的智能自动化生产方案,继续帮助更多中国企业获取核心竞争力,创造长期价值。”
高工产研机器人研究所所长卢彰缘在人机协作机器人市场分析报告中指出,优傲机器人作为行业领导者,有义务让协作概念深入人心;这本蓝皮书还可以让客户更加深刻的理解协作机器人能做什么,让合作伙伴看到协作机器人的市场机会和前景,指明行业未来的发展趋势和方向,明确市场竞争格局。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。