编辑推荐：
本综述呈现了关于人工智能 (AI) 对广泛现代机器人平台中能源利用影响的最新总结，探讨了在不同机器人领域应用 AI 的解决方案，以及 AI 在机器人站点能源需求中扮演的关键角色。值得注意的是，在众多关于机器人技术、能源和 AI 技术的文献中，大多数“早期 AI
本综述呈现了关于人工智能 (AI) 对广泛现代机器人平台中能源利用影响的最新总结，探讨了在不同机器人领域应用 AI 的解决方案，以及 AI 在机器人站点能源需求中扮演的关键角色。值得注意的是，在众多关于机器人技术、能源和 AI 技术的文献中，大多数“早期 AI”方法要么被排除在审查范围之外，要么仅作为成熟 AI 机器人系统的辅助组件。相反，本研究揭示了固定式和移动式机器人的解决方案，其胜任的应用能对节约能源产生最大影响。该工作揭示了两个有助于减少损耗和改善能量回收的相互关联的方向。第一个方向涉及用于 AI 辅助工艺级设计和机器人单元编程的平台。第二个方向涵盖所谓的 AI 机器人，其行为不仅完全由 AI 控制，而且产生明显的节能效果。因此，本研究展示了 AI 如何提供机器人管理，从而释放其降低工业、农业、交通、家庭和其他重要活动领域能耗的潜力。
机器人技术的广泛应用与能源管理挑战
根据国际机器人联合会 (IFR) 的数据，全球有超过五百万台机器人在工厂、医院、农场、办公室和家庭中工作。在过去五年中，机器人智能化实现了真正的爆发，预计未来几年将继续保持这种增长趋势。机器人技术的成功在很大程度上取决于用于有效调度机器人的能源管理技术和方法。交流 (AC) 和直流 (DC) 电源为机器人单元提供电力。不同配置的电力电子变换器 连接直流和交流耗能设备，以确保解耦控制和功率调节。传统的电力电子变换器分为四类：AC/DC 变换器（整流器）、DC/AC 变换器（逆变器）、AC/AC 变换器以及 DC/DC 变换器。固定式尤其是移动式机器人的直流母线由混合储能设备支持，包括电池 和/或燃料电池能源、以及超级电容器和/或飞轮等附加电源。能源通常具有较低比功率和较慢的充放电率，而附加电源则具有较高比功率、快速充电和较大自放电率的特点。对于需要在三维空间中保持平衡的有腿机器人，其能源和电源容量面临更高要求。除了电机外，机器人单元的传感器、控制器等部件也会消耗大量能源。因此，高效的电能转换和分配对于机器人技术至关重要。
能效机器人技术 与人工智能的双刃剑效应
在能源生产面临日益严峻挑战的背景下，本综述聚焦于能效机器人技术 (EER)，即机器人系统在执行有用工作时利用最少能源的能力。降低能耗不仅能延长运行时间、降低成本，还能减少发热、提升可靠性并实现环保运行。在评估效率时，大多数研究将机器人单元视为基于其执行有用功 (E
work) 能力的孤立机械系统。总能量在时间 t 内保持守恒。电能损耗主要源于电力电子变换器、导线和电机绕组，而机械损耗则发生在齿轮以及液压和气动部件中。通过合理规划机器人单元、优化机器配置和力分配、管理运动和路线、减少浪费以及组织高效的功率分配和能量回收，可以有效降低能耗。
人工智能 (AI) 的引入为机器人技术赋予了感知、学习和推理能力，将机器人从硬编码自动机转化为智能自适应系统，带来了实时适应性、模型预测控制 (MPC)、提升的速度和精度、增强的人机交互 (HRI) 以及缩短的部署时间等优势。然而，AI 也带来了负面问题，包括增加系统设计要求、使用更昂贵的先进组件、复杂的控制算法，尤其是 AI 本身的运行需要消耗大量额外能源。现代 AI 数据中心的电力需求正以惊人的速度增长，在某些国家，云计算、边缘计算和实时优化预计到 2035 年将占总工作负载的 10%。云连接使机器人能够利用强大的计算、存储和网络资源，但也引发了与数据处理、模型训练和模型推理相关的庞大能耗。在 AI 生命周期的三个主要阶段中，人工神经网络 (ANN) 的模型训练通常消耗最多的能源。这就引发了一个核心问题：AI 本身耗电量巨大，使得机器人执行工作与控制所消耗能源之间的关系发生了变化。
材料与方法
为了评估 AI 对机器人能源利用的影响，研究方法的选择包含四个阶段。在识别阶段，研究聚焦于机器人技术、机器人中的能源利用以及智能技术三个领域的文献，通过学术数据库检索了大量相关出版物。在筛选阶段，去除了重复记录，并排除了约 70% 被判定为不相关的制造商记录，以分离实验室验证数据与广告宣传。在适用性阶段，研究明确了 AI 平台的界定标准，即必须基于深度人工神经网络 (ANN)、支持无监督机器学习 (ML)、具备在不确定条件下预测后果的能力，并能独立生成输出。这排除了大部分仅支持监督学习或不支持机器学习 (ML) 的“早期 AI”方法。最终，共有 200 项符合所有要求的文献被纳入综述。本研究将 AI 对能源利用的影响划分为两个领域：AI 辅助工艺级设计和机器人单元编程平台，以及行为完全由 AI 控制并实现节能的 AI 机器人。
用于规划和编程机器人操作的 AI 助手
目前市场仍以传统非 AI 机器人工具包为主，它们依赖基于规则编写的固定指令。一旦工作对象位置发生偏移或环境改变，预设计操作极易失败。AI 极大地扩展和改进了工艺规划与编程。主流机器人机构开始引入虚拟、混合和增强现实 (AR) 资源，并逐渐向 AI 套件过渡。这些 AI 辅助工具包包含数据驱动模型、用于机器学习 (ML) 的模块以及应对新条件的过程变更模块，能够在对象移位或环境改变时自动检测并切换代码分支。例如，ABB 推出的 RobotStudio 结合了增强现实 (AR) 查看器和生成式 AI 助手，利用检索增强生成 (RAG) 系统回答问题，可减少高达 90% 的工艺规划和编程时间。KUKA 的 iiQWorks.Copilot 支持自然语言生成控制代码，并配备预测性维护和数字孪生助手。Yaskawa 的 MOTOMAN NEXT 结合了传统工业控制 (OT) 与 AI 驱动软件 (IT)，实现自适应无碰撞路径规划。其他公司如 Festo、Mitsubishi、Universal Robots (UR)、FANUC 和 Toshiba 也各自推出了具备机器学习 (ML)、视觉引导和自适应控制功能的 AI 工具包，广泛应用于装配、焊接、物流、医疗和家庭服务等领域。
AI 对固定式机器人能耗的影响
固定式机器人工作站的合理组织可以降低工作负载和能耗。早期的能效机器人技术 (EER) 工程解决方案主要通过优化运动轨迹、降低峰值功率和减少机械损耗来实现，但由于物理数学模型的复杂性，这些方法难以兼顾运动学、静力学和动力学以实现整体能耗最小化。引入数据驱动的 AI 模型为从前期测量中学习提供了广阔机会。机器人关节配置 (JC) 是直接影响能耗的设计特征之一。研究表明，在到达相同目标位置时，不同的关节配置 (JC) 会导致高达 25% 的力矩差异和 18% 的功耗差异。通过应用基于人工神经网络 (ANN) 的控制器和多层前馈拟合网络，机器人能够在拾取与放置 操作中实现最高 18% 的节能效果。这种数据驱动的模型无需了解完整的几何和质量特性，且能很好适应机器人架构随时间的更新变化，展现出显著的节能潜力。
AI 对移动机器人节省运动的影响
能源需求限制了移动机器人的部署规模。轮式和腿式机器人对能耗的限制尤为敏感。为了减少混乱运动造成的能源过度消耗，移动机器人研究领域开始广泛关注交通管理、路线规划和运输任务分配。在结构化环境中，经典图搜索算法仍被广泛使用。而 AI 促进了无人地面车辆 (UGV)、无人飞行器 (UAV)、无人水面艇 (USV) 和无人水下航行器 (UUV) 在复杂动态环境中的自主导航。通过机器学习 (ML)、强化学习 (RL)、计算机视觉和激光雷达，自主车辆能实时优化无障碍路径。关键技术包括同步定位与建图 (SLAM)、智能路径规划 (IPP) 和模型预测控制 (MPC)。SLAM 技术在深度学习 (DL) 的助力下，大幅提升了动态和不确定环境中地图构建和实时目标识别的精度。智能路径规划 (IPP) 经历了从经典算法到“早期 AI”再到现代强化学习 (RL) 平台的演进，自适应神经模糊推理系统 (ANFISs) 在其中起到了重要过渡作用。模型预测控制 (MPC) 结合数据驱动模型，使得无人车辆能够预测其他交通参与者的行为，与传统的比例积分微分 (PID) 控制相比，可提升约 20% 的能效并延长 15% 的电池寿命。这些 AI 应用有效缩短了任务时长，从而降低了整体能耗。
AI 对能量回收的影响
功率耗散对机器人的实际应用至关重要。除了采用高效电机和轻质材料外，能量回收是避免过度功耗的另一重要途径。这极大依赖于电力电子变换器 (PEC) 的拓扑和连接方式。先进功率电子器件，尤其是基于碳化硅 和氮化镓 的宽禁带 器件，能够以极低损耗转换能量。AI 的引入进一步增强了电力电子变换器 (PEC) 的控制效率，如自适应控制和模型预测控制 (MPC)，并优化了无线能量传输 (WPT)。在减速过程中，固定式机器人可能损失 20% 的能量，而电动汽车 (EV) 可能高达 70%。再生制动 技术在移动机器人中应用广泛。与传统基于规则的平台相比，AI 系统在再生制动 (RB) 中具有显著优势，能够实时分析道路条件和速度数据，动态调整制动力并优化减速策略。AI 能优化再生制动与摩擦制动之间的分配，最高可回收 98% 的总制动能量。例如，福特和通用汽车 (GM) 开发了基于机器学习 (ML) 和深度学习 (DL) 的再生制动 (RB) 系统，结合 GPS 和传感器数据预测制动场景以最大化能量回收。特斯拉则利用基于人工神经网络 (ANN) 的视觉系统实现了更快的障碍物检测和制动调节。此外，外部通信如车联网 (V2X) 和车路协同 (V2R) 技术使得自动驾驶车辆能够预先规划长距离滑行，在城市环境中将再生能量回收率提升 15% 至 40%。
结论
人工智能 (AI) 为制造业、交通运输、医疗保健等机器人应用领域带来了显著优势，包括实时适应性、预测性管理、提高精度以及增强的人机交互 (HRI)。然而，AI 也引发了令人担忧的问题，尤其是 AI 运算层带来的额外能耗。由于开发者往往忽视了这一点，且缺乏能够统一比较机械节能与 AI 计算耗能的平衡模型，研究人员目前无法确切评估 AI 是否真正改善了净能效。现有的能源效率评估主要针对孤立机械系统，而未将云端服务器等外部计算资源的能耗纳入考量。尽管面临这些挑战，本综述揭示了固定式和移动式机器人技术中那些通过合理应用便能极大促进节能的 AI 解决方案，特别是在 AI 辅助工艺规划、关节配置 (JC) 优化、路径规划管理、低损耗电力电子变换器 (PEC) 选择以及高效能量回收组织等方面。未来的研究方向应着重开发能够突破孤立机械系统限制的 AI 净能量平衡测量工具，并建立针对各类机器人单元的新型设计基准与可比能耗指标。
