Visual Servoing

1 3 秒看懂視覺伺服

視覺伺服是讓工業機器人具備“手眼協調”能力的關鍵控制架構。它通過攝像頭即時採集影像，提取目標特徵，計算當前位姿與期望位姿之間的偏差，並立刻生成機械臂運動指令，以閉環方式不斷縮小這一偏差。概念上好比人的眼睛看著自己的手去抓取移動的物體——眼睛不斷傳回位置資訊，大腦即時調整手的運動。傳統工業視覺是“先看,再動,最後核對”，而視覺伺服是“邊看邊動邊校正”，能將非結構化環境中的不確定物料、光照變化、初始位置偏差等納入即時調整，從而完成柔性裝配、隨機抓取、動態追蹤等複雜任務。

2 3 分鐘產業解釋

視覺伺服是一門典型的“感知-控制”一體化技術，其產業價值體現在為生產線賦予“眼睛和小腦”的協同能力。工業機器人的傳統作業高度依賴固定工裝、精密定位和離線程式設計,一旦工件種類、姿態、光照發生變化,就需要耗費大量時間重新除錯。視覺伺服通過線上閉環控制,使得機器人不再只是重複固定的軌跡,而是根據視覺輸入動態地規劃運動和調整末端執行器。

產業界主要部署兩種形態：一種是眼在手上（Eye-in-Hand），相機安裝在機械臂末端,隨手臂一起運動,適合引導近距離精確裝配、焊縫追蹤等；另一種是眼在手外（Eye-to-Hand），相機固定在工作空間上方,俯視整個場景,適用於抓取輸送帶上散亂物體、拆卸碼垛、大範圍定位。無論哪種形態,都需要一套高效能的計算流水線：從影像採集、預處理、特徵提取、位姿估計到運動控制輸出,整個鏈路延遲通常要控制在幾十毫秒以內,才能保證與控制週期（如4毫秒或8毫秒）匹配。在實際部署中,視覺伺服已從實驗室走向汽車、3C電子、鋰電、物流、食品、製藥等多種行業,典型應用包括白車身的線上焊接引導、手機中框的精密扣合、藥品泡罩的亂序抓取等。由於其涉及光學、演算法、控制、機械多學科交叉,市場中的主要競爭者既有機器人本體巨頭,也有專門做視覺軟體和3D相機的技術公司。整體來說,視覺伺服已經跨越“能用”階段,正在向“極致可靠、即插即用、自我標定”方向發展。

3 技術原理

3.1 視覺伺服控制的基本架構

視覺伺服系統由影像獲取、特徵提取、誤差定義、控制器、機器人執行五個模組構成閉環。相機拍攝目標物,影像被數字化並送入特徵提取器,得到一組具有辨識度的幾何或光度特徵（點、線、邊緣、區域幾何矩、深度學習嵌入向量等）。期望的參考特徵向量記為 mathbf(s)^*，當前提取的特徵向量記為 mathbf(s)(t)，兩者之差 mathbf(e)(t) = mathbf(s)(t) - mathbf(s)^* 即為誤差訊號。控制器的任務是根據誤差計算出機器人關節或末端的速度指令 mathbf(v) = (v, \omega)^\top，使得誤差按指數收斂到零。這一過程中,影像空間到任務空間的對映關係由影像雅可比矩陣（或稱相互作用矩陣）mathbf(L)_s 描述：

\dot{mathbf(s)} = mathbf(L)_s mathbf(v)

控制器通常設計為 mathbf(v) = -\lambda mathbf(L)_s^{+} mathbf(e)，其中 mathbf(L)_s^{+} 為 mathbf(L)_s 的偽逆。由於 mathbf(L)_s 依賴於三維深度資訊和相機內參,實際系統往往採用 估計或線上逼近的方式。

3.2 三條主流範式

基於影像的視覺伺服（IBVS） 誤差定義為影像平面上的畫素偏差。控制律直接作用於影像特徵,計算路徑在影像空間中為直線,但末端執行器在三維空間的運動軌跡可能彎曲。IBVS 的突出優勢是對相機內參標定誤差、手眼標定誤差有相當的魯棒性,且避免了顯式的位姿估計,計算成本相對較低。但其缺點在於:影像雅可比矩陣在靠近奇異點時會導致關節速度指令發散；某些目標姿態下誤差收斂到零的過程可能包含不必要的相機回退運動,且在跨越影像邊界時可能丟失特徵。

基於位置的視覺伺服（PBVS） 系統先利用相機模型與目標三維資訊即時估計目標與相機之間的位姿,構造六自由度位姿誤差,再按笛卡爾空間的規劃進行控制。軌跡直觀、全域性特性好,但極其依賴精確的相機標定和目標 CAD 模型,標定殘差會直接轉化為末端定位誤差。當目標模型未知或變化極大時（如散亂廢料抓取）,PBVS 難以直接應用。

混合視覺伺服 將部分自由度誤差定義在影像空間,其餘定義在笛卡爾空間。最經典的 2-1/2-D 視覺伺服將平移自由度誤差劃分為相機平移的 Z 軸分量與 X/Y 分量:Z 軸深度資訊通過影像尺度比或部分三維重構獲取,而水平平移與旋轉通過極線幾何或單應性分解來控制,兼顧了穩定性和路徑直捷性。工業上常見的混合方案還包括在影像平面控制物體重心點的移動,同時用笛卡爾空間控制姿態——這種策略在抓取和放置任務中廣泛使用。

3.3 深度學習驅動的視覺伺服

近年來,端到端學習方法開始嘗試直接從影像預測機器人速度指令或關節力矩。通過深度卷積神經網路將高維影像對映到低維控制量,免去手工特徵和顯式雅可比矩陣計算。常用訓練範式包括模仿學習（基於專家示教軌跡）和深度強化學習（通過與環境的互動最大化獎勵訊號）。然而,這種方法的可解釋性弱、泛化邊界模糊,在工業級高可靠系統中仍處於驗證和試點階段。學術文獻中常以“Visual Servoing by Deep Reinforcement Learning”或“Learning visuomotor policies”等名義出現（參見 Levine et al., 2018; Kalashnikov et al., 2018）。

4 關鍵引數

工業視覺伺服系統的關鍵效能引數直接影響可用性和選型,常見核心指標包括：

• 控制週期與延遲：從曝光結束到速度指令發出之間的端到端延遲（影像採集+傳輸+演算法+控制）。要求與機器人控制插補週期匹配,典型目標為 5–20 ms。若延遲過大,會導致振盪或追蹤誤差過大。
• 定位精度：重複定位精度通常用±0.x mm 或 ±0.x 度描述,需明確測試條件（如工作距離、標定狀態、溫度）。2023 年典型 3D 引導系統在 1 m 工作距離下的重複定位精度可達 ±0.5 mm（MIR Databank,2023）。
• 最小特徵可分辨尺寸：受限於畫素解析度和光學放大倍率,例如 5 Mpx 相機在 500 mm 視場下約 0.1 mm/pixel,但在實際特徵提取演算法下要求特徵點至少 3–5 畫素。
• 工作距離與視場：相機鏡頭組合決定了清晰成像的最近/最遠距離和對應視場大小,影響安裝靈活性和遮擋規避能力。
• 魯棒性：對環境光變化的容限（如照度從 200 lux 到 10000 lux 仍能穩定提取特徵）,對抗油汙、反光、部分遮擋的能力,常用誤抓取率、定位丟失幀率等衡量。
• 標定易用性：手眼標定的自動化程度、是否需要特殊標定板、標定後長時間執行的漂移補償機制。
• 最大運動速度：伺服過程中允許的末端線/角速度上限,需確保視覺特徵不模糊且不超出搜尋窗。部分高速分揀場景要求傳送帶速度 ≥2 m/s 時的動態抓取成功率 ≥99.9%。
• 支援的機器人介面與週期：是否能與主流機器人控制器（如 FANUC KAREL、ABB RobotStudio、ROS、Profinet/EtherCAT）直接進行高速介面通訊。 （以上指標範圍參考了多家整合商公開技術白皮書及 GII、MIR 研究報告,具體數值因產品和工況而異。）

5 技術路線

視覺伺服並非單一技術,在工業實施路線上可根據感測維度、演算法架構和整合程度進行劃分。

5.1 按感測維度

• 2D 視覺伺服：僅依賴灰度或彩色影像平面資訊,特徵以點、線、面積、影像矩為主。成本低、速度快,但缺失深度,無法直接處理三維旋轉或前後移動導致的縮放。常用於平面裝配、對準、標籤貼合。
• 3D 視覺伺服：使用結構光、雙目立體、ToF（飛時）或雷射輪廓掃描生成點雲端,直接在立體空間定義誤差,能應對上下料、拆碼垛等需要 6 自由度控制的場景。近期 3D 相機成本下降（例如 2022 年入門級 3D 相機模組價格已跌破 2000 元,公開企業報價）,推動 3D 視覺伺服快速普及。
• 多模態融合：結合觸覺、力控、熱像等的視覺-力覺伺服系統,用於精密裝配或高附加值操作。

5.2 按演算法成熟度

• 經典模型驅動：以 IBVS、PBVS 及混合方案為主,依賴顯式的幾何標定和特徵工程,已在產品中得到充分驗證。商用的 HALCON、VISIONpro、Mech-Mind Pro 等平台均提供成熟的視覺伺服工具鏈。
• AI 增強：利用深度網路改善特徵魯棒性,替代傳統特徵提取器。如基於關鍵點的檢測網路（Keypoint R-CNN）在遮擋、低對比度下提供更穩定的特徵,但仍與傳統控制器結合,非端到端控制。
• 端到端資料驅動：前已述及,仍處於實驗室向工業過渡的早期階段。

5.3 按整合度

• IPC+相機+機器人：通用工控機作為計算中心,執行 ROS 或 Windows 平台下的視覺軟體,通過 TCP/IP 或現場匯流排與機器人控制器通訊。部署靈活但延遲較高、穩定性依賴於 IPC。
• 嵌入式智慧相機：將視覺處理與控制介面整合到單臺智慧相機中,直接通過數字 I/O 或簡單通訊指導機器人,典型如康耐視 In-Sight 3D-L4000 系列。簡化架構,但計算資源受限。
• 機器人原生整合視覺：視覺演算法固化在機器人控制器內部,相機直接連線至控制器專屬埠,共享同一主時鐘和運動匯流排（如 FANUC iRVision、ABB Integrated Vision）。即時性、穩定性最優,但通常閉環生態、對外相容性較弱。

6 上游：核心器件與基礎工具

視覺伺服產業鏈上游由感測器、晶片、光學元件和底層軟體構成。

• 工業相機：核心在於 CMOS 影像感測器與高速介面。全球市場由索尼、安森美主導 CMOS 晶片,豪威（韋爾股份）在車載/安防領域滲透較快,但在高幀率全域性快門工業相機中份額偏低（Yole,2023）。相機模組企業包括巴斯勒（BASLER）、Teledyne（FLIR）、海康機器人、華睿科技、大恆影像。2022 年全球工業相機市場規模約 28 億美元,中國市場約 64 億元,其中海康機器人份額領先（高工機器人,2023）。
• 3D 感測模組：DLP 投影晶片由 TI 壟斷,結構光方案大量依賴 TI DLP。國產替代方面,如本科技、奧比中光、知象光電等已推出專有深度引擎晶片。2023 年國內 3D 相機市場出貨量約 6.5 萬臺,年增率增長超 40%（GGII,2024）。
• 光學鏡頭和光源：工業鏡頭要求低畸變、大景深,主要由施耐德、Computar、國產的東正、長步道等供應。光源領域日本 CCS、國內緯朗視覺等。
• 計算硬體：邊緣側的 GPU 模組（NVIDIA Jetson Orin, 國產如華為 Atlas 200）成視覺伺服傾向方案；部分低延遲系統採用 FPGA (Xilinx, 國產安路、復旦微) 完成影像預處理和特徵加速。
• 軟體基礎設施：底層通用庫 OpenCV (開源)、Halcon (MVTec)、VisionPro (Cognex) 等提供標定、特徵提取、匹配等基礎模組。機器人作業系統 ROS/ROS 2 逐漸成為科研和中小整合商的事實標準,但大型機器人廠商仍傾向自研即時系統。深度學習架構 PyTorch (Meta)、TensorFlow (Google) 廣泛用於視覺特徵網路訓練。

7 下游：主要應用場景

視覺伺服的下游需求由精密製造、柔性生產和物流自動化三大驅動力牽引,典型行業如下：

• 汽車整車與零部件：白車身焊接中,視覺伺服引導機器人自動補償車身尺寸偏差和裝夾誤差,完成焊接定位；動力總成裝配中,實現活塞、缸蓋等精密物體的無損抓取與對準。根據 MIR 資料,2022 年汽車行業佔視覺伺服相關係統整合專案數量約 25%。
• 3C 與半導體：手機中框/玻璃螢幕的定位、貼裝、點膠,SIP 封裝中晶片貼合。3C 產線要求極高精度（微米級）,且生命週期短,柔性需求強。視覺伺服在 3C 行業的滲透率 2023 年估計超過 35%,且仍在提升（GGII,2024）。
• 鋰電與光伏：鋰電池疊片、電芯入殼、電池模組裝配及光伏電池片串焊過程中,視覺伺服用於補償來料位置偏差,精度要求 ±0.1 mm。2022 年中國鋰電行業機器視覺系統（含伺服）市場規模約 21 億元,年增率增長約 50%（高工鋰電,2023）。
• 物流與倉儲：拆碼垛、無序分揀、無人叉車夾具引導。電商物流中的海量 SKU 混揀對視覺伺服的即時性和魯棒性提出高要求,帶動梅卡曼德、如本、星猿哲等公司快速成長。
• 食品與醫藥：食品外觀分選、藥片泡罩無序抓取、原料肉類精準切割等。需滿足衛生和清洗要求,通常採用不鏽鋼外殼相機和特殊光照。

8 受益公司

這裡的“受益公司”指因視覺伺服技術發展或市場需求擴大而獲得業務增量的企業,不構成任何投資建議。以下按產業鏈環節和地區列出代表性企業,並註明主要受益邏輯。

上游核心器件

• 海康機器人（中國）：工業相機、智慧相機、視覺控制器,借視覺伺服擴充套件解決方案業務。2022 年機器視覺業務營收約 36 億元（海康威視年報,2023）。
• 奧比中光（中國）：3D 視覺感測器及深度引擎晶片,已與多家機器人整合商合作。
• 凌雲端光（中國）：從印刷包裝到消費電子,提供視覺系統與可配置軟體,受益於視覺伺服在 3C 領域深化。
• BASLER（德國）：全球工業相機龍頭,2022 年營收約 2.72 億歐元,其中亞太區高速增長（BASLER 年報）。
• Teledyne（美國/加拿大）：FLIR 相機、DALSA 感測器,覆蓋高價值宇航與國防視覺伺服應用。

中游本體與整合

• 梅卡曼德（中國）：AI+3D 視覺解決方案,以拆碼垛、上下料視覺引導為核心,2023 年累計部署超 6000 臺（公司官網）。
• 如本科技（中國）：RVC 系列 3D 相機及規劃控制軟體,深耕汽車和物流。
• 星猿哲（XYZ Robotics,中國）：3D 視覺引導機器人,尤其擅長播種牆、揀選。
• FANUC（日本）：iRVision 整合視覺,與自有機器人深度繫結,2022 財年機器人業務營收約 77 億美元（FANUC 財報）。
• ABB（瑞士/瑞典）：TrueView 一體化視覺,2023 年收購 Sevensense 強化自主移動技術與視覺伺服融合。
• 康耐視（美國）：VisionPro 視覺軟體、3D 視覺感測器,是眾多整合商的演算法基礎,2022 年營收 10.1 億美元（Cognex 年報）。
• 埃斯頓（中國）：國產工業機器人龍頭,通過收購和自研補齊視覺伺服能力,2023 年機器人出貨量約 1.6 萬臺（公司公告）。

下游終端使用者

• 汽車 OEM 如大眾、上汽、比亞迪,通過大規模視覺伺服應用提高焊接和總裝柔性化。
• 電商倉儲自動化整合商,如極智嘉、快倉,深度融合視覺伺服實現無人倉。
• 富士康等 3C 代工廠,已廣泛匯入視覺伺服進行 iPhone 組裝。

（上述列舉基於公開資訊,不構成任何形式推薦。）

9 市場規模與增長

視覺伺服相關市場規模可從機器視覺、機器人視覺引導系統、3D 視覺等多個維度估算,不同口徑包含範圍有別。

• 全球機器視覺市場：據 MarketsandMarkets 2023 年報告,2022 年全球機器視覺市場規模約 125 億美元,預計到 2028 年達 186 億美元,CAGR 約 6.8%。其中,視覺引導機器人（視覺伺服的應用）是增速最快的板塊之一。
• 中國機器視覺市場：GGII 統計,2023 年中國機器視覺市場規模約 311 億元（含視覺軟體、相機、系統整合等）,年增率增長約 20%。其中,3D 視覺市場約 30 億元,3D 引導類專案（直接關聯視覺伺服）約 15.6 億元,年增率增速超 30%。
• 視覺伺服相關機器人系統：國際機器人聯合會(IFR)資料顯示,2022 年全球新安裝工業機器人 55.3 萬臺,其中約 35% 具備視覺功能,即約 19 萬臺。以每套視覺伺服系統（含相機、軟體、整合）均價 8–20 萬元計,此部分潛在市場超過 200 億元。
• 細分賽道增速：鋰電視覺系統 2022 年 21 億元,預計 2025 年達 50 億元（高工鋰電）。物流倉儲 3D 引導 2023 年達 4.8 億元,預計 2026 年 12 億元（MIR,2023）。

需注意,以上數字基於不同研究機構口徑,存在交叉重疊與時效滯後,實際規模應以最新企業財報和更新報告為準。公開資料未見的細分資料不作推測。

10 玩家對比

以下從技術路線、產品完整度、生態開放性和市場地位四個維度,對國內外典型玩家進行對比分析。所有資訊基於公開產品資料和行業報告,靜態截止至 2024 年初。

國際巨頭 vs 國內方案

• FANUC / ABB：機器人-控制器-視覺一體化,視覺化程式設計環境成熟,在汽車主廠和高要求的 Tier1 供應商中份額穩固。劣勢是視覺系統與第三方本體相容性差,使用者被繫結生態。
• 康耐視 / MVTec：軟體和相機強,但非機器人廠商。他們的視覺伺服方案通過標準通訊與各類機器人對接,生態開放,但在極致即時性上弱於機器人內生系統。
• 梅卡曼德：純視覺軟體+第三方機器人方式,圖形化免程式設計操作介面,快速部署能力強。在對成本敏感的中小企業物流和 3C 場景增速迅猛,但在高節拍汽車主線應用中經驗少於四大家族。
• 如本科技 / XYZ Robotics：重視底層 3D 相機與運動規劃演算法,技術自研率高,抓取成功率處於第一梯隊。但在全球市場份額和品牌認知度上與已上市的康耐視、海康機器人差距明顯。
• 海康機器人：依託視覺硬體基本盤,逐漸向上層演算法和控制器整合,其“視覺控制器”系列可完成視覺伺服與人機互動。優勢是渠道和資金,軟硬體一體,但演算法生態深度與 MVTec 相比仍有差距。

關鍵對比維度

• 靈活性：獨立視覺軟體 + 通用機器人方案（梅卡曼德、MVTec+機器人） > 機器人原生整合（FANUC）
• 確定性延遲：機器人內建（FANUC） > 智慧相機（康耐視） > IPC+獨立軟體
• 成本：國產 3D 相機+工控機+開源 ROS 方案 < 國產商業軟體 < 進口高階套裝
• 適用範圍：3D 引導整合商（梅卡曼德、如本）擅長抓取,汽車焊接需要專有工藝包,主要由 ABB、FANUC 或特定整合商提供。

11 風險

視覺伺服在走向大規模工業落地過程中仍面臨多維風險,包括技術、商業和運營層面。

• 可靠性與環境適應風險：工業現場存在高亮弧光、油汙、粉塵、振動、溫度劇烈變化等干擾,會影響特徵提取穩定性。2023 年某汽車焊裝車間測試中,弧焊強光導致傳統灰度相機特徵丟失率高達 15%,需採用專用濾光片和多重曝光策略才能使丟失率降至 2% 以下（相關案例見《機器視覺與自動化》2023 年技術研討會報告）。新型視覺伺服系統宣稱的“自適應”許多尚未經過上萬小時的現場驗證。
• 精度-速度矛盾與奇異點風險：在高速產線中,提高視覺伺服控制頻率會倒逼計算延遲極低,這迫使演算法簡化或使用高成本硬體。此外,IBVS 在接近影像雅可比矩陣奇異點時可能出現關節速度指令陡升,導致運動不安全或報警停機。
• 標定與漂移：持續執行中機械振動和熱脹冷縮會逐漸改變手眼關係,長時間不進行重標定會造成定位偏移,部分系統缺乏線上自動補償機制。
• 安全與責任：當視覺伺服系統直接控制機器人而出現碰撞或傷人事故時,責任鏈涉及相機、演算法開發商、整合商和終端使用者,現有法規和保險產品尚不清晰。
• 供應鏈斷供風險：高階 CMOS、DMD 晶片、特種鏡頭鍍膜等仍由少數海外企業控制,在地緣政治緊張時可能影響國內整合商交付。以 2022 年為例,TI DLP 晶片交期一度延長至 30 周以上,影響了部分國內 3D 相機產能（產業鏈調研）。
• 人才缺口：視覺伺服需要同時掌握機器人運動學、視覺演算法與現場工藝的複合型工程師,此類人才供不應求,限制專案實施速度和成功機率。

12 誤讀糾偏

關於視覺伺服,行業中常存在以下概念混淆和認知偏差：

• 誤讀 1：“視覺伺服就是機器視覺加運動控制” 事實上,視覺伺服強調“閉環”,即控制命令基於即時視覺反饋持續生成。而普通視覺引導常常是“先拍照,再執行一次動作”,中間沒有線上反饋校正。視覺伺服的閉環特性使它有能力抵抗目標中途移動和環境變化,但同時也要求延遲極低、控制收斂嚴格。

• 誤讀 2：“用了 3D 相機就等於 3D 視覺伺服” 3D 相機可以提供深度,但如果整個反饋控制依然只在影像平面定義誤差（即 2D 特徵）,或者仍是開環定位後再執行盲路徑,則不能算作 3D 視覺伺服。真正的 3D 視覺伺服需要在笛卡爾空間或結合深度資訊進行控制律設計。

• 誤讀 3：“只要有深度學習就能免標定” 目前端到端學習可以減輕部分手工標定工作量,但機械臂與相機之間的幾何關係、相機內參的初始值依然需要某種形式的標定或由網路隱式學會,且往往需要大量實際環境資料。免標定的宣稱在工業場合需審慎看待。

• 誤讀 4：“視覺伺服對控制器要求不高,可以用廉價 PLC 實現” 真實視覺伺服在高速高精度場景下需要向量控制級別的即時性以及影像處理流水線與控制演算法的深度同步。一般 PLC 掃描週期數十毫秒起,難以滿足 10 ms 內的閉環要求。部分廠商已推出專用視覺伺服控制器,但非通用 PLC 可直接替代。

• 誤讀 5：“中國視覺伺服技術全面落後” 在 3D 硬體單品效能上,國產與進口差距已顯著縮小；在基於深度學習的抓取規劃、無序分揀演算法方面,國內企業論文和產品表現亮眼。但核心差距體現在系統整合綜合能力、高可靠性工藝包和生態體系積澱上,並非全面的技術落後。

13 最新事件

（基於 2023–2024 年公開資訊和業內動態）

• ABB 收購 Sevensense（2024 年初）：ABB 收購瑞士自主移動機器人視覺與 AI 公司 Sevensense,旨在其自主移動機器人產品中融合先進視覺伺服演算法,拓寬 AMR 的動態抓取能力。
• FANUC 釋出新一代 iRVision 3DL（2023 年 12 月）：新 3D 視覺感測頭整合 AI 增強的特徵匹配,能在油汙和低對比度下引導去毛刺和裝配,標稱引導週期縮短至 8 ms。
• 梅卡曼德完成新一輪融資（2023 年）：官宣 C+ 輪融資,由美團、IDG 等領投,估值超過 20 億美元,計劃擴產能及拓展海外市場。
• 康耐視推出 In-Sight L38 3D 視覺系統（2024 年）：結合 AI 和傳統視覺伺服演算法,直接在感測器內完成影像處理和位姿計算,延遲低於 30 ms。
• 中國“機器人+”應用行動實施方案落地（2023 年）：工信部等十七部門釋出方案,明確鼓勵在製造業、農業、物流等領域推廣基於視覺的柔性作業機器人,推動視覺伺服相關標準制定。
• 國內供應鏈自主化提速：海康機器人釋出基於自研 SoC 的 SC3000 智慧相機,能夠處理 2D 視覺伺服任務；奧比中光推出新一代深度引擎晶片 MX6600,支援 60 fps 的雙目深度計算,為 3D 伺服提供更低功耗選項。

（以上事件來源為各公司新聞稿及工信部公告。）

14 追蹤指標

若需持續觀察視覺伺服產業發展,可以從以下量化指標入手,結合第三方研究機構與企業財報:

• 工業機器人視覺安裝率：每年新增工業機器人中帶有視覺功能的臺數佔比,IFR 和中國機器人產業聯盟(CRIA)有相關統計,反映視覺伺服滲透程度。
• 3D 相機出貨量及均價：GGII 和高工機器人每半年更新國內 3D 相機出貨及均價資料,可用於判斷技術擴散與成本下降速度。
• 核心零部件進口依賴度：中國海關總署進出口資料中,CMOS 影像感測器、特定光學元件、DMD 晶片的進口單價與數量,以評估供應鏈安全。
• 代表企業視覺相關業務營收增速：如海康機器人、康耐視、梅卡曼德（如上市後）的季度營收中視覺系統/視覺軟體的增速,可反映市場擴張情況。
• 學術與專利活躍度：IEEE Xplore、中國知網中每年發表視覺伺服(Visual Servoing)論文數量；Derwent 專利資料庫中相關專利授權數,可衡量技術演進熱度。
• 標準制修訂進展：國際機器人聯合會、國標委（如《機器人視覺伺服系統通用規範》）等標準制定程序,將影響行業准入門檻與互通性。
• 部署專案交付週期與失敗率：行業調研中視覺伺服專案的平均調試周期、一次成功率、產線爬坡時長,反映了技術的實際成熟度。公開資料目前未見系統性統計,可關注高工機器人年會等公開會議分享。

15 信源

本文參考以下公開信源與研究報告,確保引用準確、可追溯：

• Chaumette, F. & Hutchinson, S. “Visual Servo Control, Part I: Basic Approaches.” IEEE Robotics & Automation Magazine, 2006.
• Levine, S. et al. “Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection.” The International Journal of Robotics Research, 2018.
• Kalashnikov, D. et al. “QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation.” CoRL, 2018.
• MarketsandMarkets, “Machine Vision Market – Global Forecast to 2028,” 2023.
• GGII, 《2024 年中國機器視覺產業發展藍皮書》,高工產業研究院,2024.
• MIR Databank, “2023 中國工業機器人視覺引導市場報告,” MIR 睿工業,2023.
• Yole Intelligence, “Status of the CMOS Image Sensor Industry,” 2023.
• FANUC, ABB, Cognex, BASLER 等企業年度報告與公開產品手冊（截至 2023 財年）。
• 海康機器人招股說明書（2023 年）,深圳證券交易所公開揭露。
• 高工鋰電, 《2023 年中國鋰電機器視覺市場調研究報告告》,2023.
• 工信部等十七部門,《“機器人+”應用行動實施方案》,2023 年 1 月。
• 各公司官方網站新聞與技術白皮書。
• 學術會議與公開技術研討會資料（如 IEEE ICRA、中國機器視覺與人工智慧產業聯盟年會）。

宣告：本文僅用作產業技術解讀與知識分享,不構成任何形式投資建議。文中所有公司、產品與資料的描述基於公開資料,可能受時效性和統計口徑影響,讀者在決策時請以權威機構最新報告和企業正式公告為準。