1、 云端大腦增強機器人的能力
2010 年提出的云機器人概念引入了云端大腦，機器人嘗試引入云計算、云存儲及其它云技術，達到機器人融合基礎設施和共享服務的優點。相比于獨立的機器人本體，連接云端大腦后的機器人擁有以下四個核心優勢。
1、信息和知識共享： 一個云端大腦可以控制很多機器人，云端大腦可以匯集來自所有連接機器人的視覺、語音和環境信息，經云端大腦智能分析處理后的數據信息可以被所有連接機器人使用。利用云服務器，各機器人本體獲取和處理的信息可以保持最新，并安全備份。
2、 平衡計算負載： 一些機器人功能需要較高的計算能力，利用云端平衡計算負載可以降低機器人本體的硬件需求，在保證能力的同時，讓機器人更輕、更小、更便宜。
3、 協同合作： 通過云端大腦，機器人本體不再獨立工作， 多機器人可以協同工作，例如共同搬運貨物，配合完成一整套工作流程等。
4、 獨立于本體持續升級： 借助云端大腦，機器人可以獨立于本體持續升級，不再依賴于本體硬件設備。
2、 邊緣計算對機器人服務的提升
IoT 應用的快速發展，使得大量數據在網絡邊緣產生，推動了邊緣計算的產生和發展。邊緣計算的提出始于 4G 時代，將計算和存儲資源部署到網絡邊緣，不僅可以減少核心網和互聯網上的流量，還可以顯著降低傳輸時延， 提高網絡可靠性。
低時延的業務需要終端、移動蜂窩網(接入網和核心網)、互聯網、數據中心的端到端的保障。目前的測試結果表明 5G 手機和基站的數據通路延時可以達到 4 毫秒，在 URLLC 模式下，手機和基站的延時可以達到 1 毫秒以下， 相比 4G 的 20毫秒提高了 20倍左右。對于互聯網和數據中心的時延，一般情況下由于地理位置分布廣和未針對低時延優化，從核心網網關到互聯網數據中心可在幾十到幾百毫秒之間。在 5G 中，其核心網引入了分布式網關，網關可以下沉到基站附近，邊緣服務器可以直接連接到分布式網關上，大大降低網絡的端到端時延。
邊緣計算的引入將解決終端能力受限和云計算的實時響應的問題，增強機器人云端大腦的實時響應能力，對于滿足機器人 4.0 的要求十分關鍵，比如實時的推理、 場景理解、 操控等等。邊緣計算和云計算的結合，將突破終端的計算能力和存儲的限制，提高 AI 算法的訓練和推理能力，比如提升精度和降低訓練時間。同時將大部分機器人的智能布署在邊緣和云端，通過協作和不斷的訓練，持續不斷的提高機器人智能，比如通過邊緣計算能更好的支持實時的多機協作，支持實時的知識圖譜提取、理解和決策，持續不斷的提高機器人的智能。邊緣計算和云計算還可以解決機器人終端升級維護的困難，在機器人本體的生命周期內不斷升級，提高機器人的能力， 增強數據安全和隱私保護， 充分利用摩爾定律帶來的性能提升。
3、 云-邊-端一體化對機器人系統的支撐
云–邊–端一體化構建了一個通過機器人提供多樣化服務的規模化運營平臺。其中，服務機器人本體是服務的實施者，而實際功能則根據服務的需要無縫地在終端計算(機器人本體)、邊緣計算和云計算之間分布和協同。機器人系統類似現在智能手機上的各種 APP，主要關注如何實現高性價比的多模態感知融合、自適應交互和實時安全計算。
多模態感知融合： 為了支持機器人的移動、避障、交互和操作，機器人系統必須裝備多種傳感器(如攝像頭、麥克風陣列、激光雷達、超聲波等)。 同時，環境里的傳感器可以補足機器人的物理空間局限性。大部分數據需要在時間同步的前提下進行處理，并且調用不同復雜度的算法模塊(例如 SLAM，圖像處理，人和物體的識別等)。機器人硬件系統和邊緣計算需要協同來支持(可能來自多個機器人的)多傳感器數據同步和計算加速，因此應該采用能靈活組合 CPU、 FPGA 和 DSA (Domain-Specific Accelerator) 的異構計算平臺。另一部分沒有強實時性要求的感知任務(如人的行為識別、場景識別等)，可以由云計算支持。
自適應交互： 為了支持機器人的個性化服務和持續學習能力， 需要將感知模塊的輸出與知識圖譜結合對環境和人充分理解，并且逐步提取和積累與服務場景和個人相關的個性化知識。通用知識和較少變化的領域知識應該存放在云端，而與地域和個性化服務相關的知識應該存放在邊緣或者終端。無論知識存放在哪里，在機器人系統中應該有統一的調用接口，并可以保證實時通訊。基于 ROS2 構造涵蓋終端和網絡側的軟件系統框架可以滿足未來的需求。
實時安全計算： 未來的服務機器人應用將有大量需要實時響應的情形(如語音交互、協同操作等)，因此需要在邊緣服務器部署相應的加速硬件。同時，機器人也將處理大量涉及用戶隱私的數據(如視頻、圖像、對話等)。云–邊–端一體化架構需要構建隱私數據的安全傳輸和存儲機制，并且限定物理范圍。對于可以進行物理操作的機器人，要構建獨立的安全監測機制，保證即使機器人系統被遠程攻擊劫持后也不會造成物理安全損害。