|
要實(shí)現自主，機器人不僅僅只需要人工智能(AI)，還需要很多傳感器、傳感器融合以及邊緣實(shí)時(shí)推理。由于深度卷積神經(jīng)網(wǎng)絡(luò )的優(yōu)點(diǎn)已得到公認，激光雷達對更為先進(jìn)的數據處理的需求正在把神經(jīng)網(wǎng)絡(luò )推向新的拓撲結構，以實(shí)現自主。 第一個(gè)機器人在20世紀50年代末、60年代初誕生，但嚴格意義上它不算機器人，只是一臺“可編程的物品傳送設備”，它被用于移動(dòng)通用汽車(chē)公司生產(chǎn)線(xiàn)上壓鑄機周?chē)漠a(chǎn)品。1954年專(zhuān)利的第一句話(huà)強調了本發(fā)明的可編程性和通用性，并且表明可編程性要求傳感器確保程序、期望軌跡或功能和實(shí)際運動(dòng)之間的一致性。 時(shí)至今日，機器人并沒(méi)有完全偏離最初的概念：如今的機器人是可以進(jìn)行編程的。它們需要感知自身的環(huán)境，以確保所做的事情和被設定要做的事情是一致的。而且，它們需要在自身的環(huán)境中移動(dòng)。過(guò)去50-60年來(lái)所發(fā)生的變化主要是在復雜性、速度以及應用這些基本概念的領(lǐng)域方面有所增加。 雖然第一批機器人主要用來(lái)移動(dòng)壓鑄件，但機器人之父約瑟夫·恩格爾伯格（Joseph Engelberger）深受阿西莫夫機器人第一定律的影響——機器人不得傷害人類(lèi)，或看到人類(lèi)受到傷害而袖手旁觀(guān)。他把機器人部署在可以保護人類(lèi)的地方。保護人類(lèi)也是傳感器數量不斷增加的驅動(dòng)力，特別是在協(xié)作機器人（cobots）或自動(dòng)導引車(chē)（AGVs）中。 是什么推動(dòng)著(zhù)機器人產(chǎn)業(yè)的發(fā)展？ 為了更好地理解對自主機器人的追求，讓我們回顧一下Alex Wissner-Gross的“智能定律”方程式：它是一種熵力，解釋了機器人學(xué)的發(fā)展趨勢： F = T ∇ Sτ (1) 其中F指的是使未來(lái)行動(dòng)自由最大化的力，T指的是定義整體強度的溫度（可用資源），以及S指的是時(shí)間范圍tau內的熵。 機器人學(xué)作為一門(mén)工業(yè)和科學(xué)，其目標是通過(guò)增加嵌入式模擬智能來(lái)最大限度地提高未來(lái)機器人行動(dòng)的自由度。這就需要： 有更多的傳感器來(lái)獲得更高精度的機器人周?chē)h(huán)境模型。 有更好的傳感器連接到控制算法（和更分散的控制算法）。 有更好的算法從傳感器數據中提取盡可能多的信息。 有更好的執行器來(lái)根據控制算法的決策更快更準確地行動(dòng)。 不妨看一看當今的科技領(lǐng)域，機器人已經(jīng)獲得了很大的自主性，并且正在使用來(lái)自互補性氧化金屬半導體相機傳感器、激光雷達和雷達的傳感器來(lái)適應各種各樣的應用。雖然相機的角度分辨率和動(dòng)態(tài)范圍比雷達大得多，但相機不能提供激光雷達所具有的動(dòng)態(tài)范圍，也不能在煙霧彌漫或多塵的環(huán)境中工作。 
圖1：工廠(chǎng)環(huán)境中的現代機械臂示例。 由于機器人被設計成適應最廣泛應用的最靈活的選擇，因而它們需要在低光、多塵或明亮的環(huán)境中工作。這種靈活性可以通過(guò)組合傳感器信息——aka、傳感器融合來(lái)實(shí)現。換句話(huà)說(shuō)，不同傳感器的信息可用于重建機器人環(huán)境的彈性表示，從而在更多應用中實(shí)現自主性。例如，如果一個(gè)相機被暫時(shí)覆蓋，則其他傳感器必須能夠使機器人安全運行。為確保機器人能對其所處環(huán)境有全方位的了解，機器人傳感器數據需要以限時(shí)的方式進(jìn)行路由，并用少量的電纜連接到機器人控制器，以最大限度地提高連接的可靠性。 如今，高帶寬低延遲總線(xiàn)主要基于低壓差分信號（LVDS）。然而， LVDS接口并沒(méi)有標準，這就導致傳感器到控制器的生態(tài)系統出現分裂，并且使來(lái)自不同供應商的混合和匹配解決方案變得困難。一旦傳感器數據被傳輸到機器人控制器，一系列基于深度神經(jīng)網(wǎng)絡(luò )的機器學(xué)習算法可以幫助提高機器人所處環(huán)境的精度。用深度學(xué)習教父Yann LeCun、Yoshua Bengio和Geoffrey Hinton的話(huà)說(shuō)，“深度學(xué)習允許由多個(gè)處理層組成的計算模型學(xué)習具有多個(gè)抽象層的數據表示�！边@些深度神經(jīng)網(wǎng)絡(luò )可以在機器人內部用于快速、實(shí)時(shí)處理，也可以在云中用于元信息收集或更復雜的推理。
圖2：機器人的不同感應能力。 對于大多數機器人來(lái)說(shuō)，得益于邊緣處理所允許的固有低延遲，邊緣推理是確保機器人能夠對其環(huán)境的變化做出快速反應的重要參數。邊緣推理可用于卷積神經(jīng)網(wǎng)絡(luò )，類(lèi)似的神經(jīng)網(wǎng)絡(luò )拓撲結構可用于圖像分類(lèi)或預防性維護估算，深度Q網(wǎng)絡(luò )可用于機器人路徑規劃，或用于為解決一類(lèi)特定問(wèn)題而設計的自定義神經(jīng)網(wǎng)絡(luò )。 展望未來(lái) 在未來(lái)，傳感器似乎不太可能有太大的變化，但所涉及的處理將有所不同。成像傳感器可能變成高光譜或可提供更高的分辨率。激光雷達可能有更高的波長(cháng)、更安全、并具有更長(cháng)的范圍。雷達傳感器可能配備集成天線(xiàn)，但這些并不會(huì )有顯著(zhù)變化。未來(lái)將改變的是信息使用和聚合的方式。 例如，在傳感器集線(xiàn)器上，引入單對以太網(wǎng)（aka T1）和數據線(xiàn)供電（電氣和電子工程師學(xué)會(huì )802.3bu-2016）將簡(jiǎn)化傳感器集線(xiàn)器接口的設計，從而使更傳感器組合更廣泛和實(shí)現標準化配電。在控制方面，強化學(xué)習將由于最近的突破而得到加強，從而解決了諸如從所有可能的失敗中學(xué)到的高成本，以及由于學(xué)習模式的偏斜而學(xué)習錯誤行為的懲罰等難題。 在歸類(lèi)方面，大多數基于卷積神經(jīng)網(wǎng)絡(luò )的方法并沒(méi)有從激光雷達提供的體素中完全提取出所有的3D信息。下一代深度神經(jīng)網(wǎng)絡(luò )將利用框架提供的非歐幾里德機器學(xué)習（或幾何機器學(xué)習）中的最新進(jìn)展，如PointNet、ShapeNet、Splatnet和Voxnet等框架。邊緣推理和傳感器融合將融合到我所看到的多個(gè)傳感器源的層次推理中。在這里，數據將通過(guò)更簡(jiǎn)單的推理網(wǎng)絡(luò )做出更快的回路反應，例如電流控制神經(jīng)網(wǎng)絡(luò )，以改善現有比例-積分-微分網(wǎng)絡(luò )的性能，一直到能夠提供預測性維護診斷并處于中間位置的更加復雜的長(cháng)期-短期記憶網(wǎng)絡(luò )。神經(jīng)網(wǎng)絡(luò )將能夠補償機器人結構的微小誤差，并提供更高的位置精度和更平滑的運動(dòng)。 總結 自主機器人進(jìn)化是一個(gè)始終變化的目標。當喬治·德沃爾（George Devol）在1954年申請專(zhuān)利時(shí)，此機器顯然比當時(shí)任何基于凸輪或人工操作的機器都更自主。但按照今天的標準，這將是一個(gè)非常僵化的設置，甚至不會(huì )出現在自主程度的排名上。這種劇烈的變化很可能在我們意識到之前再次發(fā)生。 現在人們認為，輪式機器人和協(xié)作機器人正處于自主的邊緣，當人類(lèi)靠近它們時(shí)，它們會(huì )減速，甚至在移動(dòng)時(shí)也能避免撞到人類(lèi)。隨著(zhù)嵌入式模擬智能技術(shù)的迅速變化，這些“處于邊緣”的創(chuàng )新型機器人在不久的將來(lái)不會(huì )被視為具有自主性，因為這個(gè)行業(yè)正在以如此之快的速度發(fā)展并不斷產(chǎn)生新技術(shù)，從而使得機器人技術(shù)比以往任何時(shí)候都更加自主。 |
