3D視覺可測量物體三維座標信息，包括物件高度與深度，因此較之傳統2D若將其運用在機器手臂上，可讓手臂的抓取動作更佳精準，省去需事先排列整齊的工序。但若當物件體積過小且形狀復雜，則需再進一步倚靠人工智能(AI)的輔助。

機器手臂集成視覺的應用在制造現場相當普遍，除了常見的瑕疵檢測、上下料之外，包括涂裝、焊接、搬運等，只要當移動路徑屬于不規則、環境變異大的情況下，機器手臂無法再單純地僅靠指令進行定點移動，因此必須集成視覺讓手臂「長眼睛」，讓機器手臂可執行更復雜的移動。

機器視覺又可分為2D與3D，兩者差別在于前者只局限于X、Y方向的平面測量，而3D視覺則可取得Z方向的位置信息，可進一步掌握物體的全貌。但相對因2D的局限性造成功能有限，因此3D視覺在機器手臂的市場中更占有優勢。

淺談2D視覺與3D視覺在技術上的差異，所羅門(Solomon)董事長陳政隆解釋，2D成像系透過一般工業相機即可輸出影像。但3D成像的過程更復雜、技術難度高。從光學結構來看，大致上又可分類為精度較低的立體視覺(Stereo Vision)、飛時測距(Time of Flight，TOF)，以及精度較高的結構光(Structured Light)，其較常應用于工業領域。

立體視覺是基于人眼視差的原理，優點是省電、成本低，但缺點是延遲性高、且不適合用于昏暗環境。除了運用于機器人，立體視覺目前也已大量應用于各種3D相機或AR/VR頭戴式裝置。

TOF的原理則是透過紅外線折返的時間計算物體之間的距離，其優點是掃描速度快、抗光干擾性佳，不過其準確度有限。而結構光對于深度的準確率極高，目前在人臉辨識或工業用AOI檢測等領域都有其應用。

雖然3D視覺可辨識更完整的物體信息，但在部分復雜物件的辨識上，單靠3D視覺的精度與準度仍有進步空間。而自主研發3D視覺技術的所羅門則是將AI與3D視覺系統進一步集成，強化其辨識能力。

陳政隆以拉鏈工廠舉例，當工廠需綑綁散落的拉鏈，對人工作業來說，辨識拉鏈頭的方向并將之歸類綑綁很容易，但此簡單的動作對于機器手臂來說并不簡單。這部分就必須透過AI加以輔助，以判別拉鏈頭的方向是否一致，且即便3D視覺可辨識物件深度，但因拉鏈非常薄也會提高辨識難度，此時也必須倚靠AI的協助。

另一種情況則是，辨識極細小但外型卻不規則的物件。雖然3D視覺可辨識體積小的物體，但多只限于方正、圓形的外觀，若物體呈現不規則或復雜結構的外型，就會提高辨識難度，例如L型工件堆疊擺放時容易環環相扣，因此在此種情況下也必須考量集成AI來提高辨識的精準度。

目前市場上包括日本或歐洲的3D視覺廠商仍少有將AI技術集成至系統中，顯見其未來發展潛力大。不過3D視覺集成AI的技術含量并不低，陳政隆解釋，因為3D視覺系統不僅是「看」一個動作如此簡單，必須考量從辨識到抓取整個過程，也就是包含機器手臂運動控制的部分，移動路徑的規畫要如何達到最佳化才能迅速抓取物件且不發生碰撞，除了準之外更要快。