A számítógépes látás képessé teszi a robotokat a vizuális információk értelmezésére. A kamerák képeket rögzítenek. Az algoritmusok jelentést nyernek ki belőlük: élek, formák, tárgyak, arcok, mozgás. A robot ezt a jelentést használja navigálásra, kiválasztásra, ellenőrzésre vagy nyomon követésre.

A korai számítógépes látás kézzel kódolt szabályokra támaszkodott. Éleket kereshet, sablonokat illeszthet, távolságokat mérhet. Szabályozott megvilágításban működött, de mindenhol máshol kudarcot vallott. A mélytanulás ezt megváltoztatta. A konvolúciós neurális hálózatok címkézett képekből tanulnak jellemzőket. Felismerhetnek egy macskát, egy repedést egy hegesztésben vagy egy érett epret anélkül, hogy megmondanák nekik, mit kell keresniük.

Mit tesz lehetővé a számítógépes látás?

• Objektumdetektálás és osztályozás.
• Pózbecslés megragadáshoz.
• Vizuális szervovezérlés a precíz beállítás érdekében.
• Hibafelderítés a gyártásban.
• Egyidejű lokalizáció és térképezés (SLAM).

A látás nehézkes, mert a világ kaotikus. A világítás változik. A tárgyak átfedésben vannak. A tükröződések összezavarják a kamerákat. Egy robot, amely jól lát a laborban, a gyártócsarnokban meghibásodhat. A mérnökök több kamerát, strukturált fényt és mélységérzékelőket használnak a robusztusság növelése érdekében. Emellett a valós környezetből származó adatokon is tanulnak, nem csak tiszta adathalmazokon. A számítógépes látás nem véletlenül a robotika legaktívabb kutatási területe. Ha egy robot lát, akkor szinte bármit meg tud tenni. Ha nem, akkor vakon, ismétlődő mozgásra korlátozódik.