深度學習對工業機器人發展的促進作用

任浩然 徐云鵬

（洛陽科技職業學院 河南省洛陽市 471000）

從首臺工業機器人誕生開始，相關的技術與產品得到了迅速發展，并深刻改變了人們的生產、生活方式，利用計算機，可以實現視覺功能，讓機器人實時接收指令，按照編寫好的程序來完成工作。在工業4.0時代中，工業機器人發揮著十分重要的作用，推廣工業機器人，可以替代以往的人工重復性勞動，將工人從勞累、枯燥的環境中解放，也可有效降低生產成本，優化生產效率。在這一背景下，制造業開始大范圍的推廣工業機器人，在工業機器人的推廣過程中，面臨識別、定位等阻礙，為了解決該種問題，需引入深度學習技術。

1 深度學習概述

深度學習思想與人的神經網絡類似，人的視覺系統在處理信息時，是采用分級處理的方式，由低層神經細胞負責提取邊緣特征，高級神經細胞進行迭代、抽象，在高層特征、低層特征的結合下來實現信息的處理。深度學習就是借鑒了這一處理方式，能夠構建出大量隱層的機器學習模型，借助海量訓練數據來提升分類以及預測工作的準確性。深度學習是實現人工智能的重要路徑，在2007年，Geoffrey Hinton等人在前人研究基礎上提出了新型訓練算法，借助多數分類、回歸等機器學習模型，能夠解決一定的復雜分類問題，與傳統的淺層神經網絡模型不同，深度學習性能是由模型深度來決定，能夠利用逐層特征映射讓分類、預測變得更為準確[1]。

機器學習是一門新的研究學科，是通過計算手段和經驗來優化系統性能，也就是說，這一技術是借助算法讓機器從歷史數據中發到規律，以此來預測未來、進行智能識別。在當前的人工智能、機器學習研究中，深度學習理論是一項重點，受到了國內外研究人員的高度關注。傳統的神經網絡在算法設計上主要是采用了反向傳播的算法，但是由于其效率低下和容易陷入局部極小狀態的缺點，導致在遇到復雜數據時的運算結果難以達到人們的預期，至此，深度學習算法應運而生，常見的深度學習模型，包括如下幾種類型：

1.1 全連接神經網絡

全連接神經網絡屬于基本神經網絡結構，包括輸入層、隱藏層以及輸出層組成，輸入層負責數據的收集，隱藏層可以設置為一層，也可設置為多層，各層之間利用權值連接，應用了非線性激活函數，為網絡賦予了學習任意非線性函數的能力。應用了全連接神經網絡后，可以顯著提升檢測的準確率，相較于以往的機器學習算法，有效優化了檢測性能[2]。同時，全連接神經網絡增加了各層結點個數，但是，如果節點數和層數太多，會出現擬合問題，影響泛化能力，容易出現梯度爆炸的問題，因此，在實際操作中，很少使用純全連接神經網絡。

1.2 卷積神經網絡

卷積神經網絡是模仿大腦來實現人工智能的一種數學算法模型，有著信息分布式并行處理、非線性的特點，通過調整神經元的權重來達到處理信息目的。卷積神經網絡最早在1980年誕生，屬于前饋化的神經網絡，在2012年，Hinton等人提出CNN模型-Alexnet網絡，取得了良好的分類效果，極大的帶動了卷積神經網絡的發展，為了進一步提升圖像識別準確率，在2014年，Szegedy等人提出了GoogLeNet，在圖像分類任務中取得了良好效果。同年，Simonyan等提出了VGG-net網絡，有效優化了網絡特征提取能力，減少網絡參數，解決了深層網絡在訓練時的退化問題。

卷積神經網絡是基于全連接神經網絡基礎上誕生，具有權值共享、稀疏連接、瀉化功能，空間特征學習能力更強，應用卷積神經網絡，可以有效的提取出網絡流量的解空間特征。通過該種方式，做到了端對端加密流量異常檢測，有效減少參數量，但是，在具體的應用過程中，也存在梯度消失、梯度爆炸問題，為了解決上述問題，可應用殘差網絡來提升網絡深度和圖片識別質量。

1.3 循環神經網絡

循環神經網絡能夠利用隱藏狀態單元，將各類信息傳遞至當前時刻，提取到流量的時序特征，但是普通循環神經網絡無法滿足長時記憶要求，這就需要應用長短實記憶網絡。在實際的操作中，可以將數據包作為“詞匯”與“句子”，應用長短時記憶循環神經網絡來分析網絡時序行為。

2 工業機器人的研究進展

在人工智能、機器人技術的發展下，各類機器人軟硬件、智能算法出現，各個國家為了應對科技挑戰，出臺了一系列戰略，如美國的“工業互聯網”、德國的“工業4.0”、中國的“中國智造2025”、日本的“重振制造業”等，進一步推動了工業機器人領域的研究，工業機器人、人工智能技術得到了緊密結合，成為下一階段機器人領域的研究熱點。

利用工業機器人為生活、勞動生產服務，營造出智能化、高效化的社會環境，是人們追求的美好愿景，具備機器人肢體，又具備人類智慧的工業機器人，是學界追求的發展目標。傳統工業機器人融合了光學工程、機械、自動化、電子工程等核心技術于一體，從首臺機器人誕生至今，工業機器人的應用已經超過了60年，相關的技術與配套產品已經發展成熟，目前，工業機器人在手術醫療、物流、生產制造等領域中都有了廣泛使用，不過，在原有的技術線路上，工業機器人也遇到發展瓶頸，人工智能與工業機器人的交叉融合，能夠滿足新時期人們的需求，顛覆傳統的工業機器人發展格局。

近年來，人工智能技術實現了迅速發展，在教育醫療、安防監測、語音識別、智能機器人、自動駕駛等領域中都由廣泛使用。如，在在線購物、新聞資訊領域，可利用人工智能提取用戶特征數據，為其提供個性化推送；在安檢支付中，人臉識別成為了必備方式，可提供安全、便捷、快速的使用體驗；在醫療領域，利用醫療圖像數據診斷、大數據專家系統可對疾病進行輔助診斷；在自動駕駛領域，應用深度學習方法，能夠對駕駛員的狀態進行檢測與分析，并自動感知周圍的環境。

鑒于視覺與語言技術的應用普遍性，深度學習成為當前人工智能領域中的研究熱點，深度學習能夠應用多層非線性方式對數據進行處理，分析出樣本中的特征規律，構建潛在假設模型，其本質是一種多隱含層神經網絡。得益于大規模數據的累積、硬件算力的提升，深度學習方法適合應用在監督、無監督兩種訓練模式中，能夠對數據進行分類、檢測、分割與識別，其中，最為常見的兩種深度學習模型就是卷積神經網絡與循環神經網絡，分別適用于自然語言處理、計算機視覺與語音識別領域。

3 工業機器人發展面臨的瓶頸

3.1 通信問題

在工業機器人的通信設計中，需要應用到多個關鍵技術，機器人的交互也是利用綜合傳感器的數據來實現，將數據轉化為準確、可靠的信息支持，再采用信息融合的方式對外部環境數據進行監測，利用自身指令來進行規劃，從而滿足機器與人之間的交互要求[3]。當前，多數工業機器人都具備信息獲取能力，但是信息的深度融合、有效分析能力還有待提升，由于缺乏這一能力，在外部環境發生變化時，無法及時解決，難以滿足機器人的互動與通信要求，嚴重影響機器人的工作效率。

3.2 協作學習問題

工業機器人的協作學習是利用合作、通信、協商的方式來滿足知識共享要求，為其他機器人提供借鑒和警示。在工業機器人的聯合作業中，協作學習起著重要作用，受制于技術水平的限制，目前的工業機器人還沒有實現真正意義上的協同。通過單個機器人，無法對分組目標、自身特征進行表征，嚴重影響了機器人的學習效果，這是下一階段需重點關注的問題。

3.3 安全問題

關于機器人的研究是目前學界關注的熱點，但是，在工業機器人的應用過程中，卻表現出一系列的安全問題，最為著名的就是2015年發生在德國的工業機器人殺人事件，在安裝機器人工作的過程中，撞擊到一名男性工人，工人在被鐵板重壓后不幸身亡。數據顯示，有超過50%以上的工業機器人傷人事故都是由于人為因素導致，但是，工業機器人本身的發展歷程就不長，在技術層面還存在不完善的問題。之所以出現工業機器人傷人問題，主要是由于機器人無法很好的區分出人與其他工業部件的差別，對此，需要為工業機器人賦予模式識別、機器視覺能力，使之可以分辨出人與其他工業部件的不同，以此來杜絕傷人問題。

4 深度學習對工業機器人發展的促進作用應用

4.1 借助深度學習來優化系統通信

機器人的通信問題涉及的內容十分復雜，既有群機器人、系統之間的通信問題，又有機器人、人之間的通信問題。通過多個機器人之間的學習、交互、控制，可完成各類復雜任務，要在目標驅動下實現群機器人的交流與協商，首先需要解決的就是通信問題[4]。而深度學習的誕生能夠有效解決工業機器人的此類問題，為通信提供了技術保障和算法支持，讓機器人具備了任務型學習、合作型學習、環境特征學習能力。

4.2 借助深度學習來滿足協作學習要求

在1983年，BM隨機遞歸神經網絡誕生，該種技術是通過數據的學習來解決各類復雜的協作、學習問題，利用深度學習，可以有效滿足工業機器人的協作學習要求。研究工業機器人的協作學習問題，就是為了提升學習者的綜合能力，使其各項能力可以得到平衡發展，如果可以讓多個工業機器人之間并行工作，并分享相關信息，那么工業機器人的運作就能夠做到相互促進，從而顯著提升生產準確性，優化工作效率，有效簡化工業機器人工作的繁瑣流程。即便在工作的過程中發生障礙，也可以利用深度學習來更正措施，將信息分享給其他的工業機器人[5]。

4.3 利用深度學習解決系統安全問題

在工業機器人的應用過程中，最為廣受詬病的就是其引發的安全問題，盡管多數安全問題是由于操作者本身安全意識缺失、操作不當所造成，但與工業機器人本身也有密切關系。如果在操作人員發出求救聲時，工業機器人能夠迅速識別，那么就可以避免對操作人員造成傷害，反之，在操作人員求救時，工業機器人無法識別，就很可能造成人員傷亡的悲劇。借助深度神經網絡，可以有效解決這一問題，能夠針對語音識別系統來建模，提升語音識別正確率，在應用了這一技術后，工業機器人在后續的工作過程中，可以更好的理解操作者的要求，不斷修正錯誤，更好的理解操作人員要求，解決這一技術在應用過程中出現的安全問題。

5 結語

可以預計的是，在未來一段時間內，工業機器人的發展將會表現出精噴化的趨勢，隨著人口老齡化程度的加深和人工成本的提升，各個產業對于工業機器人的需求量也將會不斷增長。就當前來看，我國在工業機器人的研究上，還處于初級階段，其中，還有大量的問題尚未得到解決，將深度學習應用在工業機器人的研發中，能夠為工業機器人提供更為可靠的技術支持，解決其應用過程中的安全、通信、學習等問題，也會為工業機器人的大范圍推廣提供新的契機。