人類的進化過程中，伴隨著工具的發(fā)展，對人手的靈巧準確操作能力要求也越來越G，這個過程也逐漸改變和進化了大腦結構。而如何能讓機器人像人一樣擁有靈巧雙手，一直也是科學家們追求的目標。
至少從十六世紀末開始，科學和工程界就一直在努力開發(fā)類似人手的感覺和運動功能的機械手，其中包括運動功能(抓、握、推、拉、打孔、操作等)和感覺功能(主動和被動地探索表面的質地、濕度和溫度，以及振動、壓力和力的感覺等)，并終形成社會功能(愛撫、威脅、握手、指指點點、敬禮、玩耍和各種手勢，包括自愿和非自愿)。盡管人們對手如此著迷，但仍然無法完全理解它們。這也是為什么機械手仍然是機器人技術中難的挑戰(zhàn)之一的原因之一。
研究人員試圖通過復雜的設計來仿造人類雙手的外觀和靈活性，并集成了許多驅動器和傳感器，例如猶他/MITH、RobonautHand、DLR(Deutsches Zentrum für Luft- undRaumfahrt)Hand II、Gifu Hand II、Shadow Dexterous Hand及清華大學孫富春團隊開發(fā)的系列靈巧手等。雖然目前有很多實驗樣機，但在工業(yè)機器人、服務機器人甚至假肢方面，實際應用數(shù)量仍然有限。為了增加推廣，近年來已經提出了一些新的方法和解決方案，以開發(fā)有效和可靠的靈巧手。事實上，雖然實現(xiàn)了出色的結構和功能擬人化——即不僅在外觀上，而且在動作和功能上與人類的手相似（可能會過于復雜），但近年有趨勢旨在實現(xiàn)穩(wěn)健的、易于編程的、經濟實用的靈巧手，能夠執(zhí)行人手操作功能的子集。
回顧近幾年的機器人操作比賽情況，如亞馬遜采摘挑戰(zhàn)賽、DARPA機器人挑戰(zhàn)賽、IROS機器人操作比賽等，大多數(shù)復雜的抓取技術都受到了挑戰(zhàn)，這些比賽表明，以簡化設計為目標的方法能帶來顯著的效益。第1屆亞馬遜采摘挑戰(zhàn)賽的獲勝者是一個基于抽吸系統(tǒng)的末端效應器；在DARPA機器人挑戰(zhàn)賽中采用的仿人機器人都沒有完全驅動的擬人手，超過15個團隊(25個參賽者中)使用的是一個只有3或4個手指的低驅動手；幾次的IROS機器人抓取和操縱比賽中，都是簡易機械手獲取G軍，反而是復雜多功能的靈巧手在比賽中失利。
在過去的幾十年里，許多機器人研究小組都專注于J簡主義設計方法。在保留擬人化設計的許多優(yōu)點的同時，在設計和控制方面進行原則性的簡化，可以合理地降低系統(tǒng)的復雜度，包括執(zhí)行器、傳感器和程序代碼的數(shù)量。此外，軟體機器人方法也很有用，近年有根據(jù)這樣的原理設計的機械手，在抓取的通用性、魯棒性和可靠性方面取得了很好的效果。
人工智能技術在安全領域的應用需求日益迫切，人工智能自身的安全問題也不容小覷，安全與人工智能并舉，雙方的融合發(fā)展與創(chuàng)新是我強國戰(zhàn)略中不可忽視的重要助推因素
武漢大學薛龍建教授團隊研制出一種迷你軟體機器人Geca-Robot，其可精準控制方向和速度，可在廢墟狹縫、生物體內完成各種復雜作業(yè)
由于機器視覺可以提供目標物的顏色、形狀、紋理、深度等豐富的信息，且精度相當高，成本相對較低，因此以往關于植物檢測的研究大多基于機器視覺
蘇州行政審批局實現(xiàn)機器人導覽服務。5G 高速互聯(lián)網接入服務。異地超高清視頻通話
人類教師提供的示教被用來推斷執(zhí)行高級技能的意圖,現(xiàn)代方法也使用基于獎勵函數(shù)的強化學習方法來實現(xiàn)期望目標
低級技能學習或建模的三種主要方法：動態(tài)運動基元(DMP)，高斯混合建模與回歸(GMM-GMR)，隱馬爾科夫模型（HMM）
機器人感知系統(tǒng)包括傳感器的選擇和配置，以及算法和實現(xiàn)，利用了一個單目相機，一個短程二維激光測距儀，車輪編碼器和慣性測量單元。
教育機器人經歷了從概念先行到價格營銷到回歸內容與價值本質的發(fā)展階段變遷
教育服務機器人：指具有教與學智能的服務機器人，機器人教育：模塊化機器人和機器人套件是機器人教育中常見 的輔助產品
機器人對環(huán)境的感知大多通過激光雷達、攝像頭、毫米波雷達、超聲波傳感器、GPS這五類傳感器及其之間的組合來實現(xiàn)自主移動功能
與機器人互動時研究人的大腦將有助于更清晰、更深入地了解人機交互，從而為社交機器人的春天奠定基礎，將社會維度整合到人與這些機器的交流中來加速人與機器人的交互研究，有助于推動創(chuàng)造真正的社交機器人
基于電子皮膚的軟體機器人傳感、機器學習在柔性電子皮膚上的應用、形狀感知、面向軟體機器人的反饋控制和機器人的操作
