Ловкие промышленные манипуляторы и промышленное зрение уходят корнями в передовые разработки в области робототехники, которые велись в лабораториях искусственного интеллекта (ИИ) с конца 1960-х годов. Однако, как и в случае с самим ИИ, эти достижения далеки от мотивирующего видения машин с широкими человеческими возможностями. Методы распознавания и манипулирования объектами, надежной навигации в пространстве и планирования действий сработали в некоторых узких, ограниченных контекстах, но в более общих обстоятельствах они потерпели неудачу.
Первые программы технического зрения для робототехники, разработанные в начале 1970-х годов, использовали статистические формулы для обнаружения линейных границ на изображениях, полученных с камеры робота, и умные геометрические рассуждения для соединения этих линий в границы вероятных объектов, обеспечивая внутреннюю модель их мира. Дальнейшие геометрические формулы связывали положение объектов с необходимыми углами сочленений, позволяющими руке робота схватить их, или с движениями руля и привода, позволяющими мобильному роботу двигаться вокруг объекта (или к нему). Такой подход был утомительным для программирования и часто терпел неудачу, когда незапланированные сложности изображения вводили в заблуждение первые шаги. Попытка в конце 1970-х годов преодолеть эти ограничения путем добавления компонента экспертной системы для визуального анализа привела к тому, что программы стали еще более громоздкими, заменяя сложные новые путаницы более простыми неудачами.
В середине 1980-х годов Родни Брукс из лаборатории искусственного интеллекта Массачусетского технологического института использовал эту тупиковую ситуацию, чтобы положить начало новому движению, которое отвергло попытки заставить машины создавать внутренние модели своего окружения. Вместо этого Брукс и его последователи написали компьютерные программы с простыми подпрограммами, которые соединяли сенсорные входы с двигательными выходами, причем каждая подпрограмма кодировала определенное поведение, например, избегание обнаруженного препятствия или движение к обнаруженной цели. Есть свидетельства того, что многие насекомые функционируют именно таким образом, как и части более крупных нервных систем. В результате этого подхода были созданы очень интересные насекомоподобные роботы, но, как и в случае с настоящими насекомыми, их поведение было неустойчивым, так как их сенсоры на мгновение вводились в заблуждение, и этот подход оказался непригодным для больших роботов. Кроме того, этот подход не давал прямого механизма для задания длинных, сложных последовательностей действий — смысла существования промышленных роботов-манипуляторов и, несомненно, будущих домашних роботов (отметим, однако, что в 2004 году корпорация iRobot продала более миллиона роботов-пылесосов, способных выполнять простые насекомоподобные действия, что стало первым случаем для сервисных роботов).
Тем временем другие исследователи продолжают разрабатывать различные методы, позволяющие роботам воспринимать окружающую обстановку и отслеживать собственные перемещения. Один из ярких примеров — полуавтономные мобильные роботы для исследования марсианской поверхности. Из-за большого времени передачи сигналов эти «роверы» должны быть способны преодолевать небольшие расстояния между вмешательствами с Земли.
Особенно интересным полигоном для исследований полностью автономных мобильных роботов является футбол. В 1993 году международное сообщество исследователей организовало долгосрочную программу по разработке роботов, способных играть в этот вид спорта, с проверкой прогресса в ежегодных машинных турнирах. Первые игры RoboCup состоялись в 1997 году в Нагое, Япония. Команды участвовали в трех категориях соревнований: компьютерное моделирование, маленькие роботы и роботы среднего размера. Просто найти и толкнуть мяч было серьезным достижением, но это мероприятие стимулировало участников к обмену исследованиями, и в последующие годы игра значительно улучшилась. В 1998 году компания Sony начала предоставлять исследователям программируемых роботов AIBO для новой категории соревнований; это дало командам стандартную надежную аппаратную платформу для экспериментов с программным обеспечением.
Хотя футбол роботов помог скоординировать и сфокусировать исследования в области некоторых специализированных навыков, исследования, касающиеся более широких способностей, разрозненны. Датчики — сонары и лазерные дальномеры, камеры и специальные источники света — используются вместе с алгоритмами, которые моделируют изображения или пространство с помощью различных геометрических фигур и пытаются определить, каково положение робота, где и что находится поблизости, и как можно выполнить различные задачи. Более быстрые микропроцессоры, разработанные в 1990-х годах, позволили создать новые, более эффективные методы. Например, статистически взвешивая большое количество измерений датчиков, компьютеры могут сглаживать отдельные путаные показания, вызванные отражениями, засорениями, плохим освещением или другими сложностями. Другая техника использует «автоматическое» обучение для классификации входных сигналов датчиков — например, по объектам или ситуациям — или для перевода состояний датчиков непосредственно в желаемое поведение. Коннекционистские нейронные сети, содержащие тысячи связей с регулируемой прочностью, являются самыми известными обучающими системами, но небольшие, более специализированные системы обычно учатся быстрее и лучше. В некоторых из них программа, которая делает правильные вещи настолько, насколько это возможно заранее, также имеет «ручки настройки» для точной регулировки поведения. Другой вид обучения запоминает большое количество входных данных и их правильных ответов и интерполирует их для работы с новыми входными данными. Такие методы уже широко используются в компьютерных программах, преобразующих речь в текст.
