由于机器人技术能够扩展、增强和量化医疗活动，因此它将促进医疗行业发生更大的变革。自大约30年前诞生以来，机器人手术发展到现在已经成为多种常见手术的治疗标准。从2018年到2019年，保持了18%的快速增长，完成了超过100万个机器人微创手术。

未来，机器人技术将为外科手术形式创新和质量提升提供一个平台。机器人技术通过物理和计算辅助设备有效地将操作者的眼睛、大脑和手投射到患者的身体中，机器人本身就成为评估和量化手术的一套机制。这种影响是多方面的：从患者角度来看，它能精确量化病人在手术中发生了什么。从临床医生角度来看，平台集成了数千名外科医生和数百万次手术的数据，为医生学习和提升提供了一个平台，这将改善外科医生培训和学习曲线。从系统层面看，这提供了一种研究手术有效性的方法，可以将绩效与患者的结果联系起来。同时，又将对定义医疗程序和决定介入治疗补偿的成本效益平衡产生巨大影响。随着更灵活的仪器的发明，新应用的数量将显著增加。在COVID-19期间，还演示了如何使用机器人为医疗专业人员提供远程医疗服务。毫无疑问，这一趋势将在未来5-10年内势头强劲。面对需求的多样性，系统的健壮性、可靠性、安全性和灵活性至关重要，因为在许多情况下，机器人将直接与病人和医护人员进行身体接触，这也是下一代医疗机器人突破的标志和关键。

未来十五年关键技术突破包括：

1结构及控制设计方面60多年来，机器人学科的“感知-思考-行为”模式已经使人类能够扩展其对世界的操纵、互动和改造。在这期间，用于制造机器人的材料也在逐渐改变——从传统的具有离散传感/驱动关节和集中控制器的低自由度刚性连杆结构，到具有分布式/集成多模态传感/驱动的可变拓扑可重构高内自由度系统。未来15年，我们预估机器人结构及控制设计技术将在实时机器人数字信息架构、传感/驱动、机制和控制的多功能模块化集成、新材料、新的制造技术逐步实现突破。

2感知方面感知是机器人在物理世界中的基础。感知包括从传感器获取和解释数据，其中包括产生图像的传感器（RGB、IR、深度以及医疗模式）、特定领域的模式，如OCT或雷达、触觉和触觉感知、声音和潜在的其他非结构化信息通道。目前技术水平：计算机视觉通常被视为机器人学科中的主要感官形态。过去十年来，机器学习（尤其是深度学习）已经改变了计算机视觉（以及广义的图像理解）。例如，标准基准ImageNet的图像分类性能的错误率从10年前的25%以上上升到今天的不到2.5%——比人类的性能高出两倍。在视频活动识别、目标检测、图像字幕、癌症检测、语义分割等诸多相关问题上也出现了类似的发展趋势，这些技术在移动电话和自动驾驶系统中的应用加速了将这些功能嵌入低功耗平台的进展。Python等开源工具的出现加快了这些功能的开发。关键问题：机器人技术在可靠性和速度方面对计算机视觉提出了独特的挑战。许多最新的计算机视觉系统的性能与过去相比是显著的，但操作的错误率远远低于辅助机器人长期可靠操作所需的误差率。例如，医疗机器人1%的时间将肝脏误认为脾脏，都是不可接受的。未来技术突破：视频中的主动任务表现：活动识别技术的进步使人们能够识别大量人类活动。然而，从观察一个活动到执行类似的活动需要更精细的功能来主动控制活动；主动感知：计算机视觉以被动的方式探索数据——它没有利用主动感知和/或捕捉冗余信息的能力。创建能够主动观察的功能才能创建在环境中起作用的系统。复杂、高维推理：例如，从图像中预测物体的抓取是一个高维连续问题。针对此类问题的高性能方法和体系结构（以及数据集）可能与那些用于识别或检测任务的常用方法和体系结构有所不同。开放世界性能：大多数计算机视觉系统采用封闭世界假设——因为它们是从数据中学习的，所以数据集代表了系统训练的全部示例。机器人通常会面临从未经历过的刺激，或是全新的任务变化。能够面对开放的新环境和任务是一个挑战。可与系统集成：要将vision与其他系统集成，需要能够对其内部性能进行评估。这包括验证视觉组件或基于视觉的系统的方法，以及系统返回与其可靠性和不确定性相关的东西的方法。无缝学习与执行的系统结构：能够以端到端的方式从图像中执行任务的强化学习。