電子報
專利雷達〡月報
2026年9月 從「看得見」到「碰得安全」：全球智慧機器人五大關鍵專利解析
解析多感測資訊融合 SLAM、生成式 AI 6D 抓取、觸覺力回饋、Physical AI 資料生成與協作機器人安全控制的技術演進
人工智慧（AI）正逐步從數位世界走進實體環境，機器人技術也從傳統自動化設備，快速朝向具備「感知、理解、學習與互動」能力的智慧實體系統發展。無論是自主移動機器人（Autonomous Mobile Robot, AMR）、協作機器人、人形機器人，或智慧製造產線中的機械手臂，要進一步提升自主作業能力，都必須面對幾項核心問題：機器人如何知道自己在哪裡？如何理解眼前的物體？應該從哪個位置抓取？接觸物體時如何控制力量？當人員進入工作空間時，又該如何確保安全？
觀察近年全球專利布局，可以發現智慧機器人的技術重點已不再侷限於單一感測器、機械結構或控制演算法，而是逐漸形成「多感測資訊融合定位—AI 視覺與抓取—觸覺力回饋—Physical AI 訓練資料—人機協作安全控制」的完整技術鏈。
本期「專利雷達」選取五件具技術代表性的美國專利及公開專利申請案，從機器人的定位、視覺、抓取、觸覺、學習一路延伸至人機安全，解析智慧機器人如何從「看得見」，進一步走向「找得到、抓得準、碰得巧、學得快，而且碰得安全」。
一、機器人不只要知道在哪裡，還要即時算得出來：輕量化多感測資訊融合 SLAM
代表專利
美國專利號：US11768504B2
專利名稱：Light Weight and Real Time SLAM for Robots
專利權人：AI Incorporated
公告日：2023 年 9 月 26 日
目前狀態：有效（Active）
自主移動機器人要在工廠、倉儲、商場或居家環境中自主移動，首先必須知道「自己在哪裡」，並同步建立周遭環境的空間資訊，這正是 SLAM（Simultaneous Localization and Mapping，同步定位與地圖建構）的核心任務。
然而，真實環境中的定位與建圖很難只依賴單一感測來源。
光達（LiDAR）可以量測機器人與周遭物體的距離；慣性量測單元（Inertial Measurement Unit, IMU）與陀螺儀可提供機器人的姿態與運動資訊；輪式編碼器（Wheel Encoder）則可取得輪子旋轉與移動資訊。透過不同感測資訊彼此互補，有助於降低單一感測來源失準對定位結果造成的影響。
AI Incorporated 的 US11768504B2 聚焦於自主機器人的輕量化即時 SLAM。依據專利說明書揭露的實施方式，系統可利用 LiDAR 持續取得周遭環境資訊，並搭配 IMU、陀螺儀或輪式編碼器等感測資訊，將機器人在不同位置取得的 LiDAR 資料進行對準與整合，以逐步建立環境地圖，並估算機器人在地圖中的位置。
專利說明書亦討論視覺、慣性及輪式里程資訊的融合。例如，當輪胎發生打滑時，輪式里程資訊可能產生誤差；當環境中存在大量移動物體時，視覺資訊也可能受到干擾。因此，不同感測資訊可依應用情境採取不同程度的耦合與融合方式，相關實施方式亦提及可運用機器學習或神經網路協助處理不同資訊來源。
另一項值得注意的技術重點，是「輕量化（Light Weight）與即時運算（Real Time）」。
SLAM 並不是自主機器人唯一需要執行的運算工作。機器人通常還必須同步進行路徑規劃、障礙物迴避、導航與運動控制。如果定位與建圖占用過多運算資源，不僅可能增加系統延遲，也會提高處理器、功耗及整體硬體成本。
該專利揭露的架構因而著重於有限運算資源下的任務執行與排程，使 SLAM、路徑規劃、障礙物迴避、覆蓋範圍追蹤及控制等工作，能依不同優先順序及時間需求進行處理。
二、從「看到物體」到「知道怎麼抓」：生成式 AI 進入 6D 機器人抓取
代表專利申請案
美國公開號：US20260115906A1
名稱：Generating Grasp Poses for Controlling Robots Using Diffusion Models
申請人：NVIDIA Corporation
公開日：2026 年 4 月 30 日
性質：美國公開專利申請案
機器人能辨識一個物體，並不代表它已經知道「應該從哪裡下手」。
真正執行抓取任務時，系統除了辨識目標物體之外，還必須決定末端執行器（End Effector）相對於物體的位置與旋轉方向，也就是六自由度（Six Degrees of Freedom, 6-DoF）抓取姿態。
NVIDIA 的 US20260115906A1 將近年快速發展的擴散模型（Diffusion Model）導入機器人抓取姿態生成。
依據公開專利申請案揭露的技術內容，系統可從一個或多個感測器取得感測資料，據以形成物體的幾何資訊，再利用經訓練的機器學習模型產生一個或多個候選抓取姿態。
其技術流程可概括為：
感測資料 → 物體幾何資訊 → Grasp Diffusion Model → 候選 6D 抓取姿態 → Grasp Discriminator → 抓取規劃 → 機器人控制
擴散模型可由帶有雜訊的姿態資料逐步生成可能的抓取姿態，再利用另一模型對候選姿態進行評估或篩選，以建立抓取規劃，最後控制實體機器人執行抓取動作。
這代表生成式 AI 的應用正從文字與影像生成，進一步延伸至實體世界中的機器人動作生成。
三、機器人不只要「抓得到」，還要「摸得巧」：觸覺力回饋進入控制迴路
代表專利申請案
美國公開號：US20250010489A1
名稱：System and Method for Controlling Operation of Robotic Manipulator with Soft Robotic Touch
申請人：Mitsubishi Electric Research Laboratories, Inc.
公開日：2025 年 1 月 9 日
性質：美國公開專利申請案
視覺主要解決的是「物體在哪裡」，但當機械手真正碰到物體後，問題就轉變為：
是否已經接觸？接觸力有多大？應該繼續施力，還是降低力量或退讓？
這也是協作機器人、精密組裝、服務型機器人與人形機器人進行靈巧操作時的重要技術課題。
Mitsubishi Electric Research Laboratories 的 US20250010489A1，將觸覺感測資訊直接導入機器人回饋控制迴路。
依據公開專利申請案內容，其回饋控制架構可接收一個或多個觸覺感測器的量測訊號，再依末端執行器的運動方向等資訊進行處理，以產生阻抗塑形訊號（Impedance-Shaping Signal）。
控制系統同時可根據末端執行器的位置、速度或力等狀態產生致動器控制訊號，再將控制訊號與阻抗塑形訊號整合，形成最終的控制輸出。
這讓機器人不再只是按照預先設定的軌跡移動，而能根據與外界接觸時取得的觸覺資訊，即時調整控制行為。
四、Physical AI 的資料戰：讓機器人不必每件事都「親自做過」才能學習
代表專利
美國專利號：US12365093B1
專利名稱：Synthetic Robot Data Generation and Model Training with the Synthetic Robot Data
專利權人：Sanctuary Cognitive Systems Corporation
公告日：2025 年 7 月 22 日
如果大型語言模型需要大量文字資料，那麼能夠在真實世界執行任務的 Physical AI，需要什麼？
答案之一，就是大量且高品質的機器人訓練資料（Robot Training Data）。
這些資料可能涵蓋影像、深度資訊、關節狀態、手臂運動軌跡、接觸資訊、物體位置，以及任務執行前後的環境狀態。
然而，若完全依靠實體機器人反覆執行任務蒐集資料，不僅成本高，也需要大量時間與設備。
Sanctuary Cognitive Systems 的 US12365093B1 正是針對這項問題提出技術方案。
依據專利內容，其方法可先取得真人手臂在真實環境中執行任務的影像，再根據影像中的人體手臂狀態，決定相對應的機器手臂參數（Robot Arm Parameters）。
系統接著利用機器手臂模型，依據相關參數渲染虛擬機器手臂，再將其合成至原始場景，形成合成機器人影像（Synthetic Robot Images），並利用一系列合成影像建立 AI 模型的訓練資料。
其重要性在於，部分機器人訓練資料不必全部透過實體機器人實際執行任務取得，而可利用人類示範資料轉換、生成適用於機器人學習的合成資料。
五、從安全圍籬走向「動態安全空間」：機器人如何知道人靠近了？
代表專利
美國專利號：US11376741B2
專利名稱：Dynamically Determining Workspace Safe Zones with Speed and Separation Monitoring
原專利權人：Veo Robotics, Inc.
目前專利資料所列專利權人：Symbotic Inc.
公告日：2022 年 7 月 5 日
最後一項技術，關係到智慧機器人能否真正進入人類工作的共享空間。
傳統工業機器人大多透過固定式安全圍籬，將人員與高速運作的機器隔離；然而，人機協作應用的核心需求之一，是讓人員與機器能在共享工作空間中執行任務。
因此，「安全」也從固定式實體隔離問題，逐漸轉變為即時環境感知與動態安全控制問題。
US11376741B2 所揭露的技術方向，是利用多個感測器監測三維工作空間，掌握機械設備、人員及其他相關區域的狀態，並根據機械設備目前狀態、可能運動範圍，以及人員與機械設備之間的空間關係，動態判斷安全區域。
相關技術亦考量人員及機械設備可能的移動狀態，並隨工作空間狀況改變持續更新相關安全資訊。
五大專利，串起智慧機器人的五項核心能力
這五項能力共同指向智慧機器人的下一階段：從自動化（Automation）走向自主化（Autonomy）。
過去工業機器人的強項，是在高度結構化的環境中，高速、精準地重複執行預先設定的工作；新一代智慧機器人面對的則是持續變化、存在未知物體，而且可能隨時有人員進入的真實環境。
因此，決定下一代機器人能力的，不再只是馬達扭矩、機械手臂自由度或重複定位精度，而是「感測—認知—學習—控制—安全」能否形成即時且可靠的閉迴路系統。
專利趨勢總結：智慧機器人邁向「多模態感知＋生成式控制＋Physical AI」
綜合上述五件代表性專利，可以觀察到全球智慧機器人技術正在出現三項值得持續關注的發展趨勢。
第一，多模態感知逐漸成為智慧機器人的基礎能力。
LiDAR、Camera、IMU、Wheel Encoder、Force/Torque Sensor 與 Tactile Sensor 不再只是各自獨立運作，而是逐漸被整合至定位、感知與控制架構。
從 AI Incorporated 的輕量化即時 SLAM，到 Mitsubishi Electric Research Laboratories 的觸覺回饋控制，都反映出機器人正利用更多不同來源的感測資訊，建立對自身狀態及外部環境更完整的理解。
第二，AI 正從「環境辨識」進一步進入「動作生成」。
過去 AI 視覺主要回答：
「眼前是什麼？」
Physical AI 則進一步需要回答：
「知道眼前是什麼之後，我下一步應該怎麼做？」
NVIDIA 將擴散模型導入六自由度抓取姿態生成，就是生成式 AI 從數位內容生成進一步延伸至實體機器人動作規劃的重要案例。
第三，機器人資料本身正在成為重要技術資產。
Sanctuary Cognitive Systems 的合成機器人資料專利顯示，Physical AI 的競爭不只是模型規模或機器人硬體效能，也包括如何大規模、低成本地取得高品質的實體世界訓練資料。
未來智慧機器人的競爭力，很可能同時取決於：
Robot Hardware × Sensors × AI Models × Robot Data × Safety Control
從「知道自己在哪裡」到「看懂並抓取物體」，從「感受到接觸」到「理解旁邊有人」，智慧機器人的專利競爭正在跨越感測、人工智慧、運動控制及安全工程的傳統技術邊界。
未來真正具備競爭力的機器人，不只是能精準執行預先設定命令的自動化設備，而是能在複雜環境中自主定位、理解環境、學習操作、感受接觸，並與人員安全共處的智慧實體系統。
這也意味著，下一波全球智慧機器人的專利競爭，將不只是單一「Robot」技術，而是圍繞 Physical AI 所形成的完整技術生態系。
專利資料來源
- AI Incorporated, US11768504B2, Light Weight and Real Time SLAM for Robots
Google Patents：US11768504B2 - NVIDIA Corporation, US20260115906A1, Generating Grasp Poses for Controlling Robots Using Diffusion Models
Google Patents：US20260115906A1 - Mitsubishi Electric Research Laboratories, Inc., US20250010489A1, System and Method for Controlling Operation of Robotic Manipulator with Soft Robotic Touch
Google Patents：US20250010489A1 - Sanctuary Cognitive Systems Corporation, US12365093B1, Synthetic Robot Data Generation and Model Training with the Synthetic Robot Data
United States Patent and Trademark Office（USPTO）：US12365093B1 - Symbotic Inc., US11376741B2, Dynamically Determining Workspace Safe Zones with Speed and Separation Monitoring
Google Patents：US11376741B2