基于深度學(xué)習(xí)和云機(jī)器人的工業(yè)機(jī)器人未來發(fā)展方向的研究

王薪宇

摘要：工業(yè)機(jī)器人發(fā)展的趨勢(shì)是人工智能化，深度學(xué)習(xí)和云機(jī)器人是智能機(jī)器人領(lǐng)域的前沿技術(shù)，是近幾年社會(huì)各界的關(guān)注熱點(diǎn)。本文介紹了深度學(xué)習(xí)的主要思想、發(fā)展歷程和主要應(yīng)用；簡(jiǎn)述了云機(jī)器人的概念、關(guān)鍵技術(shù)及其突出的優(yōu)勢(shì)；最后分析指出深度學(xué)習(xí)構(gòu)建的神經(jīng)網(wǎng)絡(luò)是驅(qū)動(dòng)工業(yè)機(jī)器人的“引擎”，而云機(jī)器人則為工業(yè)機(jī)器人提供大量的“燃料”，二者的相互結(jié)合與促進(jìn)，必將引領(lǐng)一場(chǎng)工業(yè)機(jī)器人走向人工智能化的變革。

關(guān)鍵詞：工業(yè)機(jī)器人；深度學(xué)習(xí)；云機(jī)器人；人工智能化

中圖分類號(hào)：TP24 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2016）04（a）-0000-00

0 前言

工業(yè)機(jī)器人是集機(jī)械、電子、控制、計(jì)算機(jī)、傳感器、人工智能等多學(xué)科先進(jìn)技術(shù)于一體的現(xiàn)代制造業(yè)重要的自動(dòng)化裝備[1]。自從1959年UNIMATION公司的第一臺(tái)工業(yè)機(jī)器人在美國(guó)誕生后，機(jī)器人技術(shù)及其產(chǎn)品發(fā)展很快，對(duì)世界制造業(yè)的格局產(chǎn)生了重大的影響。如今，工業(yè)機(jī)器人成為智能制造技術(shù)浪潮的關(guān)鍵，是世界制造大國(guó)爭(zhēng)先搶占的第三次工業(yè)革命的制高點(diǎn)。

在工業(yè)機(jī)器人不斷朝著人工智能化發(fā)展的進(jìn)程中，深度學(xué)習(xí)（Deep Learning）和云機(jī)器人（Cloud Robotics）都是近年來機(jī)器人領(lǐng)域最前沿先進(jìn)的技術(shù)，它們將會(huì)是工業(yè)機(jī)器人向智能化進(jìn)化的下一個(gè)跨越。隨著世界圍棋冠軍李世石輸給了谷歌旗下人工智能公司DeepMind開發(fā)的“阿爾法圍棋”（AlphaGo），被譽(yù)為人類智慧最后堡壘的圍棋也終于被人工智能所攻克，而使AlphaGo獲勝的“功臣”——深度學(xué)習(xí)，也證明了它在機(jī)器人大腦中發(fā)揮的驚人作用。2010年，Google的機(jī)器人科學(xué)家兼卡內(nèi)基梅隆大學(xué)機(jī)器人研究所教授詹姆斯·庫(kù)夫納（James Kuffner）在由電氣和電子工程師協(xié)會(huì)（IEEE）主辦的Humanoids機(jī)器人大會(huì)上提出云機(jī)器人概念[2]，國(guó)內(nèi)外反響強(qiáng)烈，不少專家認(rèn)為云機(jī)器人將徹底改變機(jī)器人的發(fā)展進(jìn)程。如果將深度學(xué)習(xí)與云機(jī)器人相結(jié)合，成千上百個(gè)工業(yè)機(jī)器人并行工作然后分享它們學(xué)習(xí)到的信息，相互促進(jìn)學(xué)習(xí)，如此必將帶來的極高的學(xué)習(xí)效率和提升極快的加工準(zhǔn)確度，并且還省略了繁瑣的編程。我們不妨假設(shè)一下未來工廠的可能出現(xiàn)一幕：設(shè)計(jì)部的設(shè)計(jì)師下班前把新設(shè)計(jì)好的樣品交給生產(chǎn)線上的工業(yè)機(jī)器人，“聰明”的工業(yè)機(jī)器人將用整個(gè)晚上想出如何完成設(shè)計(jì)師的任務(wù)，在學(xué)習(xí)強(qiáng)化的過程中不斷更正自己的錯(cuò)誤，不斷提高加工精度，同時(shí)，整個(gè)生產(chǎn)線上的工業(yè)機(jī)器人分享著這些信息，第二天設(shè)計(jì)師上班時(shí)發(fā)現(xiàn)生產(chǎn)線已完成了成品的生產(chǎn)。由此看來，深度學(xué)習(xí)和云機(jī)器人的不斷深入研究，將最有可能重塑機(jī)器人在未來幾年被應(yīng)用的方式，工業(yè)機(jī)器人走向未來的進(jìn)化之光，近在眼前。

1 深度學(xué)習(xí)簡(jiǎn)述

1.1 深度學(xué)習(xí)的主要思想

深度學(xué)習(xí)的主要思想類似于人的神經(jīng)網(wǎng)絡(luò)。人的視覺系統(tǒng)對(duì)信息的處理是分級(jí)的，從低層的神經(jīng)細(xì)胞提取出邊緣特征，然后向高層的神經(jīng)細(xì)胞不斷迭代和抽象，也就是說高層的特征是低層特征的組合。對(duì)于深度學(xué)習(xí)，首先是要堆疊多個(gè)層，信息被分配在這些獨(dú)立而又相互聯(lián)系的層中，簡(jiǎn)單的說，上一層的輸出作為下一層的輸入，每個(gè)處于后方的層級(jí)根據(jù)前一層傳來的信息行使更加復(fù)雜的功能。深度學(xué)習(xí)的實(shí)質(zhì)，是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測(cè)的準(zhǔn)確性[3]。舉個(gè)例子，看著一幅圖片上的狗，深度學(xué)習(xí)網(wǎng)絡(luò)首先需要把照片里的狗按邊緣分解成深色和淺色兩區(qū)域，然后把這個(gè)信息傳遞到下一個(gè)層級(jí)進(jìn)行處理，下一層級(jí)再將這些信息逐步細(xì)化。當(dāng)?shù)竭_(dá)最后一層時(shí)，系統(tǒng)能提供一個(gè)數(shù)學(xué)函數(shù)來回答這個(gè)問題：“這到底是不是一條狗[4]？ ”

1.2 機(jī)器人學(xué)習(xí)的兩次浪潮

20世紀(jì)80年代末期，人們利用人工神經(jīng)網(wǎng)絡(luò)的反向傳播算法（BP算法）可以讓一個(gè)人工神經(jīng)網(wǎng)絡(luò)模型從大量訓(xùn)練樣本中學(xué)習(xí)出統(tǒng)計(jì)規(guī)律，從而對(duì)未知事件做預(yù)測(cè)，開啟了機(jī)器淺層學(xué)習(xí)的浪潮。2006年，機(jī)器學(xué)習(xí)領(lǐng)域的泰斗Geoffrey Hinton和他的學(xué)生RuslanSalakhutdinov在《科學(xué)》上發(fā)表了一篇文章，提出了深度學(xué)習(xí)的概念，受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，掀開了機(jī)器學(xué)習(xí)的第二次浪潮。深度學(xué)習(xí)比淺學(xué)習(xí)具有更強(qiáng)的表示能力，隨著大數(shù)據(jù)的時(shí)代來臨，深度模型更能刻畫大量數(shù)據(jù)里豐富的信息，從而對(duì)未知事件作出更精準(zhǔn)的預(yù)測(cè)。

1.3 深度學(xué)習(xí)的主要應(yīng)用

1.3.1 語音識(shí)別

2011年微軟基于深度神經(jīng)網(wǎng)絡(luò)（deep neural networks）的語音識(shí)別研究取得成果，徹底改變了語音識(shí)別原有的技術(shù)框架[5]。相比于傳統(tǒng)的語音識(shí)別系統(tǒng)，采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行聲音建模的語音識(shí)別系統(tǒng)相對(duì)誤識(shí)別率能降低25%，并且深度神經(jīng)網(wǎng)路的建模技術(shù)可與傳統(tǒng)的語音識(shí)別技術(shù)無縫結(jié)合，不浪費(fèi)任何系統(tǒng)額外耗費(fèi)就可大幅度地提升語音識(shí)別系統(tǒng)的識(shí)別率。

1.3.2 圖像識(shí)別

隨著計(jì)算機(jī)計(jì)算速度和儲(chǔ)存量的大幅度提升，2012年，Hinton和他的兩個(gè)學(xué)生采用卷積神經(jīng)網(wǎng)絡(luò)（convolution neural networks）在圖像識(shí)別領(lǐng)域取得了突破性的進(jìn)展，在2013年，深度學(xué)習(xí)模型被成功應(yīng)用于一般圖片的識(shí)別和理解。深度學(xué)習(xí)大大提升了圖像識(shí)別的準(zhǔn)確性和識(shí)別效率，可以很有把握地說，從現(xiàn)在開始，深度學(xué)習(xí)將取代人工特征+機(jī)器學(xué)習(xí)的方法而逐漸成為主流圖像識(shí)別方法[3]。

2 云機(jī)器人簡(jiǎn)述

2.1 云機(jī)器人的概念及關(guān)鍵技術(shù)

云機(jī)器人，據(jù)它的提出者Kuffner所述，指將信息資料儲(chǔ)存在云端的服務(wù)器上，并讓機(jī)器人在必要時(shí)通過聯(lián)網(wǎng)的方式從云端獲得這些資料。云機(jī)器人把云計(jì)算和機(jī)器人學(xué)相結(jié)合，使得機(jī)器人可以利用云服務(wù)器的計(jì)算資源來提高機(jī)器人的能力，并實(shí)現(xiàn)機(jī)器人之間的知識(shí)信息共享。構(gòu)成云機(jī)器系統(tǒng)，需要五個(gè)關(guān)鍵性技術(shù)[6]。一，大數(shù)據(jù)（Big Data）：建立一個(gè)提供索引圖片、地圖和對(duì)象數(shù)據(jù)的全球性數(shù)據(jù)庫(kù)；二，云計(jì)算（ Cloud Computing）：針對(duì)統(tǒng)計(jì)學(xué)習(xí)和運(yùn)動(dòng)規(guī)劃需求的網(wǎng)格計(jì)算；三，開源（Open-Source）：可共享的機(jī)器人代碼、數(shù)據(jù)、算法和硬件設(shè)計(jì)；四，協(xié)作學(xué)習(xí)（Collective Learning）：機(jī)器人共享軌跡、控制策略和可供統(tǒng)計(jì) 機(jī)器學(xué)習(xí)方法分析的輸出；五，眾包（Crowdsourcing）：用于評(píng)價(jià)、學(xué)習(xí)和錯(cuò)誤恢復(fù)的離線與按需指導(dǎo)。

2.2 云機(jī)器人的優(yōu)勢(shì)和存在問題

云機(jī)器人不僅具備傳統(tǒng)機(jī)器人的功能，而且還有一些巨大的優(yōu)勢(shì)：1）結(jié)構(gòu)簡(jiǎn)單，云機(jī)器人可以卸下復(fù)雜的計(jì)算任務(wù)到云端，同時(shí)可以接收海量的數(shù)據(jù)，因而有著超強(qiáng)的計(jì)算和儲(chǔ)存的能力；2）機(jī)器人可以實(shí)現(xiàn)信息和資源共享，學(xué)習(xí)能力更強(qiáng)，并減少了開發(fā)人員的重復(fù)工作時(shí)間；3） 能夠提供全球范圍的信息和知識(shí)庫(kù)，還能共享開源代碼。由于具有這些優(yōu)勢(shì)，云機(jī)器人在智能交通、環(huán)境監(jiān)測(cè)、衛(wèi)生保健、智能家居、娛樂、教育和國(guó)防等應(yīng)用領(lǐng)域中具有廣泛的應(yīng)用前景和很高的商業(yè)價(jià)值。 當(dāng)然，云機(jī)器人技術(shù)作為一種全新的技術(shù)，還有很多問題需要進(jìn)一步的研究與探索，如資源分配、系統(tǒng)安全、可靠有效的通信協(xié)議等都是下一步研究中需要關(guān)注的問題[7]。

3 深度學(xué)習(xí)與云機(jī)器人的結(jié)合

人工智能，是工業(yè)機(jī)器人發(fā)展的必然趨勢(shì)，在社會(huì)數(shù)字化的時(shí)代，是什么給人工智能帶來了前所未有的機(jī)遇？深度學(xué)習(xí)，刮起人工智能的一場(chǎng)風(fēng)暴，引領(lǐng)社會(huì)數(shù)字化時(shí)代的變革，它完全改變了機(jī)器人傳統(tǒng)的圖像和語音識(shí)別技術(shù)，能夠讓機(jī)器人能夠自己理解描繪圖像或者語音中的信息，成為目前最強(qiáng)力的機(jī)器人視覺聽覺技術(shù)。如果我們把深度學(xué)習(xí)構(gòu)建的日益龐大的神經(jīng)網(wǎng)絡(luò)比作是工業(yè)機(jī)器人騰飛的引擎，那么一個(gè)完整的動(dòng)力系統(tǒng)還需要大量的燃料，這里的大量燃料顯然就是大量的數(shù)據(jù)，而向工業(yè)機(jī)器人神經(jīng)網(wǎng)絡(luò)提供大量數(shù)據(jù)的就是云機(jī)器人，云機(jī)器人可以建立全球范圍的信息知識(shí)數(shù)據(jù)庫(kù)，提供開源的代碼，算法和硬件設(shè)計(jì)。如果引擎很大，燃料卻很少，是無法驅(qū)動(dòng)的，而引擎很小，燃料很多，顯然也不行，深度學(xué)習(xí)和云機(jī)器人是相輔相成的，只有大量的數(shù)據(jù)才能支撐巨大的神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)和云機(jī)器人的相互結(jié)合和快速發(fā)展，必將實(shí)現(xiàn)人工智能的正循環(huán)，創(chuàng)造出無與倫比的動(dòng)力，給工業(yè)機(jī)器人不可預(yù)知的能量。

在2015的國(guó)際機(jī)器人展上，法蘭克（Fanuc）在其展位上演示了散件分揀，事先并沒有向系統(tǒng)輸入工件易吸附部位的信息，只依靠由強(qiáng)化學(xué)習(xí)掌握的與環(huán)境的相互作用（試錯(cuò)法）進(jìn)行分揀。在完成1000份數(shù)據(jù)的學(xué)習(xí)后，機(jī)械手臂有時(shí)還會(huì)試圖吸附工件的側(cè)面等部位，成功率僅為60%，而完成5000份數(shù)據(jù)的學(xué)習(xí)，也就是大約8個(gè)小時(shí)后，成功率則提高到了90%，這樣的準(zhǔn)確度已經(jīng)相當(dāng)于一位專家親自為它編寫程序所達(dá)到的效果。很明顯，法蘭克的機(jī)器人使用了深度學(xué)習(xí)技術(shù)來訓(xùn)練自己，它每次分揀散件的過程，法蘭克機(jī)器人配置的3D攝像頭自動(dòng)進(jìn)行抓取，不管它的是成功還是失敗，它都能記住散件的特征，通過每次分揀過程學(xué)到的知識(shí)改進(jìn)控制它行動(dòng)的深度學(xué)習(xí)模型或大型神經(jīng)網(wǎng)絡(luò)。法蘭克機(jī)器人由Preferred Networks（法蘭克的注資企業(yè)）編寫程序，Preferred Networks的首席研究官Shohei Hido說：“這種學(xué)習(xí)方式（深度學(xué)習(xí)）潛在的一個(gè)巨大好處是，如果幾個(gè)機(jī)器人并行工作然后分享他們學(xué)到的，就可以促進(jìn)學(xué)習(xí)。所以，八個(gè)機(jī)器人一起工作一小時(shí)可以執(zhí)行與一臺(tái)機(jī)器工作八小時(shí)時(shí)相同的學(xué)習(xí)任務(wù)，我們的計(jì)劃是面向分散式學(xué)習(xí)（云機(jī)器人）的，你可以想象成百上千個(gè)機(jī)器人分享信息?！?/p>

從上述例子中可以看見，法蘭克公司已經(jīng)將深度學(xué)習(xí)和云機(jī)器人結(jié)合到了一起，并且設(shè)計(jì)出能完成一些學(xué)習(xí)任務(wù)的工業(yè)機(jī)器人，事實(shí)上，Google公司正在將這一步推向更遠(yuǎn)，他們?cè)噲D讓機(jī)器人能夠抓取特定形狀的物品，而非特定物品，盡管實(shí)現(xiàn)這些技術(shù)可能還是充滿了挑戰(zhàn)，但我們不得不說，隨著深度學(xué)習(xí)和云機(jī)器人的不斷突破，工業(yè)機(jī)器的變革風(fēng)暴正在醞釀。

4 結(jié)論

深度學(xué)習(xí)和云機(jī)器人自問世以來，就成為學(xué)術(shù)界、科技界和產(chǎn)業(yè)界的研究熱點(diǎn)，雖然二者都還處于起步階段，但是它們的巨大的潛力給工業(yè)機(jī)器人的發(fā)展帶來了極大的機(jī)遇。深度學(xué)習(xí)使工業(yè)機(jī)器人在語音圖像的智能識(shí)別和理解上取得革命性的進(jìn)展，它所構(gòu)建的神經(jīng)網(wǎng)絡(luò)是驅(qū)動(dòng)工業(yè)機(jī)器人的超強(qiáng)“引擎”，而云機(jī)器人所建立的開源信息知識(shí)數(shù)據(jù)庫(kù)則是推動(dòng)工業(yè)機(jī)器人源源不斷的“燃料”，深度學(xué)習(xí)和云機(jī)器人的相互促進(jìn)，會(huì)加速推進(jìn)工業(yè)4.0時(shí)代的來臨，未來工業(yè)機(jī)器人被應(yīng)用的方式將徹底改變，高度智能化的工業(yè)機(jī)器人必然出現(xiàn)，智能生產(chǎn)模式下的無人工廠會(huì)成為生產(chǎn)制造業(yè)的主流。深度學(xué)習(xí)+云機(jī)器人，必將實(shí)現(xiàn)工業(yè)機(jī)器人向人工智能化推進(jìn)的一次巨大飛躍。

參考文獻(xiàn)：

[1] 徐方. 工業(yè)機(jī)器人產(chǎn)業(yè)現(xiàn)狀與發(fā)展[J]. 機(jī)器人技術(shù)與應(yīng)用， 2007（5）：2-4.

[2] KUFFNER J， LAVALLE S. Space-filling trees：a new perspective on incremental search for motion planning[C]//Proceedings of IEEE International Conference on Intelligent Robots and Systems. San Francisco， USA：the IEEE Press， 2011：2199-2206.

[3] 余凱， 賈磊， 陳雨強(qiáng)， 等. 深度學(xué)習(xí)的昨天、今天和明天[J]. 計(jì)算機(jī)研究與發(fā)展， 2013， 50（9）：1799-1804.

[4] 章琪. 幫機(jī)器人看到重點(diǎn)——“深度學(xué)習(xí)”能夠轉(zhuǎn)化機(jī)器人的視覺[J]. 世界科學(xué)， 2015（1）：54-56.

[5] Dahl G， Yu Dong， Deng Li， et al. Context-dependent pretrained deep neural networks for large vocabulary speech recognition[J]. IEEE Trans on Audio， Speech， and Language Processing. 2012， 20（1）：30-42.

[6] 王鴻鵬. 云機(jī)器人的關(guān)鍵性技術(shù)[J]. 中國(guó)信息界-e制造， 2014（10）：32-34.

[7] 張恒， 劉艷麗， 劉大勇. 云機(jī)器人的研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究， 2014， 31（9）：2567-2575.