基于深度學習和云機器人的工業機器人未來發展方向的研究

王薪宇

摘要：工業機器人發展的趨勢是人工智能化，深度學習和云機器人是智能機器人領域的前沿技術，是近幾年社會各界的關注熱點。本文介紹了深度學習的主要思想、發展歷程和主要應用；簡述了云機器人的概念、關鍵技術及其突出的優勢；最后分析指出深度學習構建的神經網絡是驅動工業機器人的“引擎”，而云機器人則為工業機器人提供大量的“燃料”，二者的相互結合與促進，必將引領一場工業機器人走向人工智能化的變革。

關鍵詞：工業機器人；深度學習；云機器人；人工智能化

中圖分類號：TP24 文獻標識碼：A 文章編號：1674-098X（2016）04（a）-0000-00

0 前言

工業機器人是集機械、電子、控制、計算機、傳感器、人工智能等多學科先進技術于一體的現代制造業重要的自動化裝備[1]。自從1959年UNIMATION公司的第一臺工業機器人在美國誕生后，機器人技術及其產品發展很快，對世界制造業的格局產生了重大的影響。如今，工業機器人成為智能制造技術浪潮的關鍵，是世界制造大國爭先搶占的第三次工業革命的制高點。

在工業機器人不斷朝著人工智能化發展的進程中，深度學習（Deep Learning）和云機器人（Cloud Robotics）都是近年來機器人領域最前沿先進的技術，它們將會是工業機器人向智能化進化的下一個跨越。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開發的“阿爾法圍棋”（AlphaGo），被譽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”——深度學習，也證明了它在機器人大腦中發揮的驚人作用。2010年，Google的機器人科學家兼卡內基梅隆大學機器人研究所教授詹姆斯·庫夫納（James Kuffner）在由電氣和電子工程師協會（IEEE）主辦的Humanoids機器人大會上提出云機器人概念[2]，國內外反響強烈，不少專家認為云機器人將徹底改變機器人的發展進程。如果將深度學習與云機器人相結合，成千上百個工業機器人并行工作然后分享它們學習到的信息，相互促進學習，如此必將帶來的極高的學習效率和提升極快的加工準確度，并且還省略了繁瑣的編程。我們不妨假設一下未來工廠的可能出現一幕：設計部的設計師下班前把新設計好的樣品交給生產線上的工業機器人，“聰明”的工業機器人將用整個晚上想出如何完成設計師的任務，在學習強化的過程中不斷更正自己的錯誤，不斷提高加工精度，同時，整個生產線上的工業機器人分享著這些信息，第二天設計師上班時發現生產線已完成了成品的生產。由此看來，深度學習和云機器人的不斷深入研究，將最有可能重塑機器人在未來幾年被應用的方式，工業機器人走向未來的進化之光，近在眼前。

1 深度學習簡述

1.1 深度學習的主要思想

深度學習的主要思想類似于人的神經網絡。人的視覺系統對信息的處理是分級的，從低層的神經細胞提取出邊緣特征，然后向高層的神經細胞不斷迭代和抽象，也就是說高層的特征是低層特征的組合。對于深度學習，首先是要堆疊多個層，信息被分配在這些獨立而又相互聯系的層中，簡單的說，上一層的輸出作為下一層的輸入，每個處于后方的層級根據前一層傳來的信息行使更加復雜的功能。深度學習的實質，是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性[3]。舉個例子，看著一幅圖片上的狗，深度學習網絡首先需要把照片里的狗按邊緣分解成深色和淺色兩區域，然后把這個信息傳遞到下一個層級進行處理，下一層級再將這些信息逐步細化。當到達最后一層時，系統能提供一個數學函數來回答這個問題：“這到底是不是一條狗[4]？ ”

1.2 機器人學習的兩次浪潮

20世紀80年代末期，人們利用人工神經網絡的反向傳播算法（BP算法）可以讓一個人工神經網絡模型從大量訓練樣本中學習出統計規律，從而對未知事件做預測，開啟了機器淺層學習的浪潮。2006年，機器學習領域的泰斗Geoffrey Hinton和他的學生RuslanSalakhutdinov在《科學》上發表了一篇文章，提出了深度學習的概念，受到了學術界和工業界的廣泛關注，掀開了機器學習的第二次浪潮。深度學習比淺學習具有更強的表示能力，隨著大數據的時代來臨，深度模型更能刻畫大量數據里豐富的信息，從而對未知事件作出更精準的預測。

1.3 深度學習的主要應用

1.3.1 語音識別

2011年微軟基于深度神經網絡（deep neural networks）的語音識別研究取得成果，徹底改變了語音識別原有的技術框架[5]。相比于傳統的語音識別系統，采用深度神經網絡進行聲音建模的語音識別系統相對誤識別率能降低25%，并且深度神經網路的建模技術可與傳統的語音識別技術無縫結合，不浪費任何系統額外耗費就可大幅度地提升語音識別系統的識別率。

1.3.2 圖像識別

隨著計算機計算速度和儲存量的大幅度提升，2012年，Hinton和他的兩個學生采用卷積神經網絡（convolution neural networks）在圖像識別領域取得了突破性的進展，在2013年，深度學習模型被成功應用于一般圖片的識別和理解。深度學習大大提升了圖像識別的準確性和識別效率，可以很有把握地說，從現在開始，深度學習將取代人工特征+機器學習的方法而逐漸成為主流圖像識別方法[3]。

2 云機器人簡述

2.1 云機器人的概念及關鍵技術

云機器人，據它的提出者Kuffner所述，指將信息資料儲存在云端的服務器上，并讓機器人在必要時通過聯網的方式從云端獲得這些資料。云機器人把云計算和機器人學相結合，使得機器人可以利用云服務器的計算資源來提高機器人的能力，并實現機器人之間的知識信息共享。構成云機器系統，需要五個關鍵性技術[6]。一，大數據（Big Data）：建立一個提供索引圖片、地圖和對象數據的全球性數據庫；二，云計算（ Cloud Computing）：針對統計學習和運動規劃需求的網格計算；三，開源（Open-Source）：可共享的機器人代碼、數據、算法和硬件設計；四，協作學習（Collective Learning）：機器人共享軌跡、控制策略和可供統計 機器學習方法分析的輸出；五，眾包（Crowdsourcing）：用于評價、學習和錯誤恢復的離線與按需指導。

2.2 云機器人的優勢和存在問題

云機器人不僅具備傳統機器人的功能，而且還有一些巨大的優勢：1）結構簡單，云機器人可以卸下復雜的計算任務到云端，同時可以接收海量的數據，因而有著超強的計算和儲存的能力；2）機器人可以實現信息和資源共享，學習能力更強，并減少了開發人員的重復工作時間；3） 能夠提供全球范圍的信息和知識庫，還能共享開源代碼。由于具有這些優勢，云機器人在智能交通、環境監測、衛生保健、智能家居、娛樂、教育和國防等應用領域中具有廣泛的應用前景和很高的商業價值。 當然，云機器人技術作為一種全新的技術，還有很多問題需要進一步的研究與探索，如資源分配、系統安全、可靠有效的通信協議等都是下一步研究中需要關注的問題[7]。

3 深度學習與云機器人的結合

人工智能，是工業機器人發展的必然趨勢，在社會數字化的時代，是什么給人工智能帶來了前所未有的機遇？深度學習，刮起人工智能的一場風暴，引領社會數字化時代的變革，它完全改變了機器人傳統的圖像和語音識別技術，能夠讓機器人能夠自己理解描繪圖像或者語音中的信息，成為目前最強力的機器人視覺聽覺技術。如果我們把深度學習構建的日益龐大的神經網絡比作是工業機器人騰飛的引擎，那么一個完整的動力系統還需要大量的燃料，這里的大量燃料顯然就是大量的數據，而向工業機器人神經網絡提供大量數據的就是云機器人，云機器人可以建立全球范圍的信息知識數據庫，提供開源的代碼，算法和硬件設計。如果引擎很大，燃料卻很少，是無法驅動的，而引擎很小，燃料很多，顯然也不行，深度學習和云機器人是相輔相成的，只有大量的數據才能支撐巨大的神經網絡，深度學習和云機器人的相互結合和快速發展，必將實現人工智能的正循環，創造出無與倫比的動力，給工業機器人不可預知的能量。

在2015的國際機器人展上，法蘭克（Fanuc）在其展位上演示了散件分揀，事先并沒有向系統輸入工件易吸附部位的信息，只依靠由強化學習掌握的與環境的相互作用（試錯法）進行分揀。在完成1000份數據的學習后，機械手臂有時還會試圖吸附工件的側面等部位，成功率僅為60%，而完成5000份數據的學習，也就是大約8個小時后，成功率則提高到了90%，這樣的準確度已經相當于一位專家親自為它編寫程序所達到的效果。很明顯，法蘭克的機器人使用了深度學習技術來訓練自己，它每次分揀散件的過程，法蘭克機器人配置的3D攝像頭自動進行抓取，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到的知識改進控制它行動的深度學習模型或大型神經網絡。法蘭克機器人由Preferred Networks（法蘭克的注資企業）編寫程序，Preferred Networks的首席研究官Shohei Hido說：“這種學習方式（深度學習）潛在的一個巨大好處是，如果幾個機器人并行工作然后分享他們學到的，就可以促進學習。所以，八個機器人一起工作一小時可以執行與一臺機器工作八小時時相同的學習任務，我們的計劃是面向分散式學習（云機器人）的，你可以想象成百上千個機器人分享信息。”

從上述例子中可以看見，法蘭克公司已經將深度學習和云機器人結合到了一起，并且設計出能完成一些學習任務的工業機器人，事實上，Google公司正在將這一步推向更遠，他們試圖讓機器人能夠抓取特定形狀的物品，而非特定物品，盡管實現這些技術可能還是充滿了挑戰，但我們不得不說，隨著深度學習和云機器人的不斷突破，工業機器的變革風暴正在醞釀。

4 結論

深度學習和云機器人自問世以來，就成為學術界、科技界和產業界的研究熱點，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機器人的發展帶來了極大的機遇。深度學習使工業機器人在語音圖像的智能識別和理解上取得革命性的進展，它所構建的神經網絡是驅動工業機器人的超強“引擎”，而云機器人所建立的開源信息知識數據庫則是推動工業機器人源源不斷的“燃料”，深度學習和云機器人的相互促進，會加速推進工業4.0時代的來臨，未來工業機器人被應用的方式將徹底改變，高度智能化的工業機器人必然出現，智能生產模式下的無人工廠會成為生產制造業的主流。深度學習+云機器人，必將實現工業機器人向人工智能化推進的一次巨大飛躍。

參考文獻：

[1] 徐方. 工業機器人產業現狀與發展[J]. 機器人技術與應用， 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， 等. 深度學習的昨天、今天和明天[J]. 計算機研究與發展， 2013， 50（9）：1799-1804.

[4] 章琪. 幫機器人看到重點——“深度學習”能夠轉化機器人的視覺[J]. 世界科學， 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. 云機器人的關鍵性技術[J]. 中國信息界-e制造， 2014（10）：32-34.

[7] 張恒， 劉艷麗， 劉大勇. 云機器人的研究進展[J]. 計算機應用研究， 2014， 31（9）：2567-2575.