表：全球协作机器人代表企业
下文将详述COBOT（协作机器人）如何应对这些技术挑战，并改变制造业、电子商务、农业和食品服务等产业的。
新的视觉技术
随着机器人逐渐被应用于世界各地的工厂，研发视觉系统，使机器人可以识别物体，进行安全导航，被提上日程。
近年来，视觉硬件（如激光雷达）已经变得更便宜、更有效，并且得到了更广泛的应用。如今，许多初创公司都在使用基于新的视觉技术的协作机器人，它们装载着传感器，人类员工可以站在它身边进行操控。
大约1996年，有许多不同的形状和大小的协作机器人被发明了出来，根据人类工作场所进行了设计。这种机器人容易重新编程，相对自治，力量上远不如低技术型工业机器人。
协作机器人在小型工厂环境找到了“绝佳位置”，进行3D打印，制造医疗设备，或完成更多的认知任务，如仓库订单拣选等。在那里，人类员工也参与工作。
机器人的认知
教机器人适配环境（map）和操作物体，是一项艰巨的任务。有幸的是，谷歌的DeepMind和UC伯克利的一些研究进展已经成功证明了“一次性学习”（one-shot learning）的可行性，即协作机器人可以在没有大量训练数据的情况下识别新的对象。
未来的机器人可能只需要观察人类员工的工作流程就能完成任务学习；或者操作者可以使用VR手势进行编程（协变开创的方法），使机器人掌握工作方式。
虽然这项技术还有很长的路要走，但今天的技术已经足够成熟到可以让机器人和人类协同工作了。目前，协作机器人和它的麻吉AGVs（自动引导车辆/运输机器人），已经成为制造业和仓库环境的标准配置。
机器人可以很容易地完成重复的、可预测的任务。
但是对于结构化相对不明显的任务，例如从一个随机分类中挑选出一个项目，对应着很多更独特的场景，就需要特别的算法。真正的协同工作情况下，运输机器人就必须自主地“看到”人类员工的行动，并采取相应行动。
开发处理这些边缘情况的算法成为了前沿的人工智能（AI）、计算机视觉和自动驾驶研究课题。
在人工智能和机器学习上，为90%的场景自动化路径很容易——难的是最后的“一公里”。顶级风投A16Z的Benedict Evans指出，机器学习是要解决那种对机器来说很难，对人来说很容易的问题，或者说，是人们很难描述成计算机语言的问题。
随着机器学习工具的广泛普及，初创公司正注力于计算机视觉，以支持新一轮的机器人技术。
灵巧性的追求
虽然机器人变得越来越普遍，但它们还没有开发出我们所期待的智能或灵巧性，就像摩登家庭或终结者2想象的那样。著名的机器人学家Hans Moravec在莫拉维克悖论中提出：
“让计算机在智力测试或西洋跳棋上表现出成人水平的表现是比较容易的，在感知和移动性方面，很难或不可能赋予他们一岁人类的水平。”
换句话说，高级推理只需要很少的计算，但是低水平的感觉或运动技能需要巨大的计算资源。灵巧性是机器人学的一大挑战，相对而言，改进硬件是更加有效的途径。
