製造自動化的發展速度迅猛，根據市場研究，全球機器人市場在 2025 年預計將達到 717.8 億美元，並有望在 2030 年翻倍。雖然目前機器人在工廠中已經能夠處理高精度的焊接和上漆工作，但在組裝過程中仍然主要依賴人工勞動。這一現象的主要原因之一是成本問題。根據國際機器人聯盟（IFR）的數據，機器人應用的編程和整合費用占總成本的 50% 至 70%。換句話說，企業在使機器人運行上花費的成本，往往超過了機器本身的價格。這種高度定制化的運作模式使機器人只能執行單一且僵化的任務，因此當設計發生變更時，製造商面臨的選擇便是投資於昂貴的重新編程，或是回歸到人工作業的過程中。
傳統工業機器人雖然能提供卓越的精確度，能夠在 20 微米的範圍內重複性地達到預定位置，但這種精確度同時也是一種弱點。如果零部件稍微傾斜或者旋轉，系統就可能失效。造成這一問題的並不是資金不足，而是一種根本的工程限制，這種限制困擾著自動化行業已經數十年。位於印度金奈的初創公司 CynLr 聲稱已經找到了解決方案。CynLr 的 CyRo 機器人並不依賴於深度學習管道或預訓練模型，而是採用了公司所稱的「運動優先視覺」系統，這一系統通過與不熟悉的物體實時互動來學習。
CynLr 的創始人 Gokul N. A. 提到，他們的方法與傳統機器人視覺系統的區別在於，傳統機器人依賴於機器學習（ML）管道，並需要在運行之前進行大量的訓練。這些 ML 模型遵循識別優先的方式，必須先識別物體，然後才能決定如何處理它。Gokul 解釋道，「標準方法無論是監督學習、非監督學習，還是強化學習，都需要系統提前接受教學。」這樣的要求使得工程師不得不在環境中消除變異，以避免昂貴的定制化循環，因此機器人只能局限於焊接和上漆等受控任務。在這種情況下，系統僅能在理想環境中運行，而一旦現實變化出現，便會失效。這解釋了為何機器人的編程和整合成本會超過硬件成本，並且許多製造商在完成自動化項目之前便已放棄。
CynLr 的方法則從根本上改變了如何處理組裝線上的物體。他們借鑒了人類如何自然學習處理不熟悉物品的過程。Gokul 說，「我們開始時會問人類實際上是如何學習的。想像一下嬰兒，你把一個它從未見過的物體交給它，它可以立即抓起來，轉動它，並在沒有任何示範的情況下弄清楚如何處理它。它是通過互動學習，而不是從預訓練的數據庫中學習。」基於這一洞察，CynLr 放棄了識別優先的方法，轉而採用運動優先視覺的方法。該系統的設計旨在檢測並響應運動，而不是識別靜態模式。
CynLr 的 CyRo 機器人使用雙鏡頭事件驅動相機，這種相機僅在像素強度發生變化時進行響應，因此能夠在單個像素層面上檢測運動。與傳統相機不同，事件驅動相機並不捕捉連續的幀，而是通過比較事件發生的時間和強度，構建物體的三維輪廓和空間關係。這種設計使得 CyRo 能夠在沒有先前訓練的情況下，對任何物體進行實時的空間感知，從而適應各種不同的物體。當 CyRo 遇到未知物體時，事件驅動系統會在運動中突出顯示輪廓，同時過濾掉靜態背景元素，這通常會混淆傳統系統。
CynLr 方法的有效性已獲得了多家大型汽車製造商的認可。通用汽車正在進行 CyRo 機器人在移動表面上的組裝工作試驗，這些表面上零件的方向和環境變化超出了傳統自動化的能力。DENSO 的試點則專注於靈活的製造站，他們希望有一個能夠在不同任務之間切換的平台，而無需重新設計硬件。這些試點展示了 CyRo 在多變環境中的能力，如在移動平台上進行組裝、處理透明和反光的零件，並在不重新編程的情況下適應新的幾何形狀。CynLr 報告指出，與傳統機器人系統相比，其部署時間減少了 70%，成本降低了超過 30%。這主要得益於消除了定制夾具的需求和編程的負擔。
然而，將自適應機器人融入現有的組裝線仍面臨著不少實際挑戰。大多數工廠依賴於預先編程的可預測自動化。行業報告顯示，初始設置和整合仍然是最大的費用，往往超過機器硬件成本。生產線的調整、員工技能的提升以及管道軟件的修改都需要額外的預算和時間資源。此外，CyRo 的實時學習可能會使循環時間較傳統的預編程機器人更慢，而這對於追求高產量的製造商來說是一個關鍵的取捨。是否能在未來實現可持續的財務可行性，將取決於在擴展過程中實施費用與操作靈活性和效率提升之間的權衡。Gokul 預見到，到 2030 年，工廠的運作方式將發生根本性變化。若 CynLr 的運動優先視覺能在大規模應用中證明其有效性，或許將能夠促進個性化生產的實現，這將使得汽車、手機等產品能夠根據客戶的獨特需求進行定制。
