基于深度學習的機器人應用研究

虞澤凡

摘要：為了改變傳統(tǒng)機器人動作固定，應變能力欠缺等問題，深度學習已經(jīng)被逐漸引入到智能機器人技術當中。深度學習技術與機器人的有機結合能設計出具有高工作效率、高實時性、高精確度的智能機器人。本文簡單介紹了傳統(tǒng)機器人技術特點、深度學習技術的模型與算法。重點介紹了深度學習在機器人聊天、機器人場景識別、機器人運動控制等方面的應用。并對機器人的發(fā)展提出了一些建議。

關鍵詞：深度學習;聊天機器人;場景識別;運動控制

中圖分類號：TP393 文獻標識碼：A 文章編號：1007-9416（2019）05-0053-02

0 引言

無論是美國的制造業(yè)復興計劃，還是德國的工業(yè)4.0戰(zhàn)略以及《中國制造2025》，機器人技術作為信息化社會的新興產(chǎn)業(yè)和先進制造業(yè)的支撐技術，將對未來服務制造業(yè)和社會發(fā)展起著越來越重要的作用。隨著計算機運算能力的提高以及算法的進化，深度學習技術在機器人視覺和語音識別、人機交互和動作控制等方面取得了許多突破性的進展，廣泛地引入深度學習技術將是未來機器人發(fā)展的必然趨勢。

1 傳統(tǒng)現(xiàn)代機器人的特點

傳統(tǒng)機器人以工業(yè)機器人為主，最初的工業(yè)機器人是結合機械結構學與電工電子技術的產(chǎn)物，工業(yè)機器人由主體機械結構、電子控制器、調(diào)控系統(tǒng)和監(jiān)測反饋傳感器組成的。傳統(tǒng)的工業(yè)機器人按事先編好的程序對機器人進行操作流程控制，使其自動重復完成某種特定的操作[1]。在現(xiàn)有的已然投放到企業(yè)或家庭里的機器人設備中，絕大多數(shù)的機器人設備幾乎都沒有思維能力和學習能力，它們只能按照事先編寫好的代碼執(zhí)行一些既定的動作指令，按照動作序列次序完成一些單調(diào)重復性的工作。

2 深度學習技術

2.1 深度學習的概念

深度學習受啟發(fā)于人腦相互交叉關聯(lián)的神經(jīng)元，通過對人腦神經(jīng)網(wǎng)絡的分析和研究。模仿人腦架構出一個含有多隱層的機器學習模型。在此模型中建立一個與人腦類似的神經(jīng)網(wǎng)絡來分析、存儲和處理數(shù)據(jù)，通過大規(guī)模數(shù)據(jù)進行訓練，得到大量更具代表性的特征信息，從而對樣本進行分類和預測，提高分類和預測的精度。深度學習的本質是模仿人腦的多層抽象機制為大規(guī)模數(shù)據(jù)建模提供解決方案。

2.2 深度學習模型

深度學習架構模型的特點可歸納為兩點：（1）深度學習的人工神經(jīng)網(wǎng)絡必須具有多層神經(jīng)網(wǎng)絡的隱含層，多層隱含層的神經(jīng)網(wǎng)絡通過學習后所得到的數(shù)據(jù)才具有更明顯的特征，更有利于可視化或者分類;（2）多個隱含層的神經(jīng)網(wǎng)絡在訓練上的難度問題，可以通過逐層初始化來化解[2]。

典型的深度學習模型是一個多層次的交叉神經(jīng)網(wǎng)絡。通過增加神經(jīng)網(wǎng)絡的層數(shù)可以更有效的提高神經(jīng)網(wǎng)絡的識別與表達能力。深度學習的本質是計算觀測數(shù)據(jù)的分層特征與表示，其中高層特征因子由低層得到。深度學習是一種深層交互的非線性網(wǎng)絡結構，通過復雜函數(shù)的逼近算法，總結數(shù)據(jù)集的本質特征[3]。

3 深度學習的機器人的應用

3.1 基于深度學習的聊天機器人

傳統(tǒng)的聊天機器人被稱為專家系統(tǒng)，它依托后臺龐大的數(shù)據(jù)庫構建。傳統(tǒng)機器人在聊天時的語句通過檢索后臺數(shù)據(jù)庫產(chǎn)生，在很多情況下它不能準確的理解和回答相關問題。

隨著深度學習在對人類語言理解、常用詞組向量表示、語氣情感分析、機器翻譯以及中文專業(yè)術語領域的應用，聊天機器人的關鍵技術得以突破。基于濃度學習的聊天機器人區(qū)別于檢索式的專家系統(tǒng)聊天機器人，它的聊天內(nèi)容遷移性與泛化性更佳[4]。

基于深度學習技術的聊天機器人的深度學習過程是利用兩個機器人相互的對話交流來模擬人類的聊天過程。為不斷提高聊天的有效和準確性，需對聊天的過程與內(nèi)容進行評價，評價的決策過程包括響應時間、語氣狀態(tài)、應對策略、流暢度和獎勵函數(shù)等多個指標。其中獎勵函數(shù)是一個核心的指標，作為最重要目標參數(shù)。當每次出現(xiàn)無效的或不準確的回答時，系統(tǒng)根據(jù)錯誤程度將給出相應的懲罰。最終，聊天系統(tǒng)在對話流暢的前提下，保證整個對話過程中的回復都是準確的、有意義的。獎勵函數(shù)主要評判對話過程中的信息產(chǎn)生速度、回復內(nèi)容的相關度、詞句情緒、避免尷尬等方面。

3.2 基于深度學習的機器人場景識別

傳統(tǒng)的機器人一般只進行簡單的重復工作，其在工作過程中不需要了解所處的工作環(huán)境及環(huán)境變化，所做出的操作與流程和環(huán)境沒有直接關聯(lián)。在對機器人提出更多智能化要求的今天，機器人需要獲得工作環(huán)境中的位置數(shù)據(jù)，并實時地對工作環(huán)境及其變化進行動態(tài)識別。目前，通過基于視覺的場景識別與理解來構建周圍環(huán)境，是提高其智能化水平的關鍵技術，也是工業(yè)機器人智能化的第一步。

特征提取是場景識別中的一個關鍵技術，雖然傳統(tǒng)的人工特征設計也具備一些識別功能，但是其泛化能力較弱，不足以應對較為復雜和不斷變化的場景。基于深度學習的場景識別，可以對場景進行特征解析與訓練，對前期識別過程中特征的漏標注、誤標注進行重新標注，并不斷對樣本進行增強處理，形成新的顯著特征集。如圖1所示為基于深度學習的室內(nèi)場景識別的流程圖，這是目前較為流行的一種深度學習方法，它將深度學習中的卷積神經(jīng)網(wǎng)絡技術應用于場景識別之中，流程先通過原圖得到高斯金字塔圖片集，然后通過區(qū)域選擇算法獲得到待測圖片的顯著區(qū)域，接著使用卷積神經(jīng)網(wǎng)絡結合大型數(shù)據(jù)集對顯著區(qū)域的圖像進行特征學習，特征融合后形成多層感知預測結果，從而對特征進行場景識別判斷[5]。

3.3 深度學習機器人的運動控制

傳統(tǒng)的工業(yè)控制型機器人每一個階段的操作都是固定的，每一個動作完成后，進入下一個動作，動作序列都是嚴格編排的，如果前一個操作有問題或者環(huán)境發(fā)生改變，那么整個操作流程都會錯亂、中斷。

基于深度強化學習的機器人控制系統(tǒng)如圖2所示，工作對象通過機器人傳感攝像頭拍攝后，形成像素級別的圖像完成原始圖像的采集，多步卷積神經(jīng)網(wǎng)絡系統(tǒng)對圖像進行處理后，輸出中間結果，中間結果通過普通神經(jīng)網(wǎng)絡的處理輸出機器人當前的決策網(wǎng)絡輸出計劃動作，機器人機械部分驅動電機馬達完成相應動作，環(huán)境接受到當前動作后，通過對照動作效果和狀態(tài)給出相應的獎勵數(shù)值，從而對決策網(wǎng)絡進行更新并將改變后的狀態(tài)反饋至系統(tǒng)，如此產(chǎn)生一個決策循環(huán)。

4 深度學習機器人的發(fā)展

隨著國家科研水平的不斷提高，機器人領域正在發(fā)生著巨大變化。未來十來年機器人的發(fā)展方向主要為仿生機器人、微型機器人、農(nóng)業(yè)機器人、云機器人和模塊化機器、助老機器人。特別是隨著人口老齡化的到來，越來越多的老人需要護理，助老機器人將是深度學習機器人的發(fā)展趨勢，也是機器人行業(yè)的朝陽產(chǎn)業(yè)。助老機器人核心技術就是讓機器人像人類通過眼睛感知世界一樣，視覺感知模塊使機器人能夠感知外界信息，通過視覺系統(tǒng)采集的信息，經(jīng)過進一步的加工，分析和模式識別，使機器人更加的智能化。

助老機器人的人類動作識別系統(tǒng)雛形如圖3所示[6]，其主要流程主要包括以下幾個方面：視頻與圖像的采集、抽象和處理、深度學習檢測、得到動作識別結果，數(shù)據(jù)傳輸至云端并進行特征圖片的推送。

5 結語

隨著大數(shù)據(jù)、云計算技術的快速發(fā)展， 未來機器人能更有效的利用云平臺更好地存儲資源和自主學習， 通過數(shù)量龐大的機器人共同分享學習， 疊加學習知識，深度學習技術將得到更快速有效的發(fā)展。隨著機器人在動作識別、語音識別、情感識別中進行深度學習，機器人將工業(yè)服務、家庭服務、航空航天等方面的能力都得到了提高，同時機器人在具體工作過程中的動作準確度、實時性、執(zhí)行力，指令執(zhí)行能力以及機器組群之間的協(xié)作配合能力得到了提高。深度學習技術在機器人中的應用將是未來科技界的一大核心技術。

參考文獻

[1] 化定奇.機器人產(chǎn)業(yè)及其關鍵材料的現(xiàn)狀及趨勢[J].新材料產(chǎn)業(yè)，2016（07）：5-9.

[2] HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J].Science，2006，313（5786）：504-507.

[3] DENG L， YU D. Deep learning methods and applications[J].Foundations and Trends in Signal Processing，2014，7（34）：197-208.

[4] 梁苗苗.基于深度學習的智能聊天機器人的研究[D].浙江：浙江理工大學，2017.

[5] 張明，桂凱.基于深度學習的室內(nèi)場景識別的研究[J].現(xiàn)代計算機（專業(yè)版），2018（16）：28-32+36.

[6] 潘與維，柳雋琰，羅伊杭，等.基于OpenCV和深度學習的助老機器人動作識別系統(tǒng)設計[J].電子測試，2018（09）：14-16.