深度學(xué)習(xí)在機(jī)器人領(lǐng)域的應(yīng)用進(jìn)展

仇秋飛，周武源，雷良育，吳葉青，崔銀江，陳 登

(1.浙江省科技信息研究院，浙江 杭州 310006；2.浙江農(nóng)林大學(xué) 工程學(xué)院，浙江 杭州 310006)

0 引 言

深度學(xué)習(xí)(Deep Learning，DL)是機(jī)器學(xué)習(xí)的一種，其算法基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)，能夠發(fā)現(xiàn)大數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，利用反向傳播指導(dǎo)機(jī)器如何從前一層網(wǎng)絡(luò)計(jì)算表征，從而改變每一層的內(nèi)部參數(shù)[1]。深度學(xué)習(xí)的目的是讓機(jī)器人(Robotics)具有與人一樣的分析學(xué)習(xí)能力，因其能夠增強(qiáng)機(jī)器人的感知、決策與控制能力[2]，在機(jī)器人的圖像識(shí)別[3]、目標(biāo)識(shí)別[4]、姿態(tài)估計(jì)[5]、路徑規(guī)劃[6]、人機(jī)交互[7]等方面具有廣泛的應(yīng)用前景，并取得了很多成果。

隨著人工智能(Artificial Intelligence，AI)、大數(shù)據(jù)、云計(jì)算等技術(shù)的興起，機(jī)器人技術(shù)經(jīng)歷了從預(yù)編程式，到自主式，再到智能式的三階段發(fā)展歷程，現(xiàn)已進(jìn)入智能機(jī)器人發(fā)展時(shí)代[8]。深度學(xué)習(xí)與機(jī)器人學(xué)的交叉學(xué)科(Deep Learning in Robotics，DL-R)是近五年來(lái)極其活躍的研究領(lǐng)域，學(xué)術(shù)成果呈爆發(fā)式增長(zhǎng)。深度學(xué)習(xí)技術(shù)的發(fā)展將進(jìn)一步推動(dòng)機(jī)器人的智能化發(fā)展，已有相關(guān)文獻(xiàn)對(duì)此進(jìn)行了綜述，如Pierson等人[9]介紹了DL在機(jī)器人學(xué)應(yīng)用的研究進(jìn)展，討論了DL的優(yōu)點(diǎn)及局限性；王乾銘等人[10]基于DL設(shè)計(jì)了個(gè)性化聊天機(jī)器人的對(duì)話系統(tǒng)，使用了深度LSTM結(jié)構(gòu)并且加入注意力機(jī)制使其能更好地適應(yīng)不同長(zhǎng)度的問(wèn)句。這些綜述主要針對(duì)領(lǐng)域內(nèi)的研究?jī)?nèi)容進(jìn)行鋪陳式敘述和梳理，未能指出DL在智能機(jī)器人中應(yīng)用的整體發(fā)展態(tài)勢(shì)，挖掘出DL-R交叉學(xué)科的研究重點(diǎn)與熱點(diǎn)。

由愛(ài)思唯爾(Elsevier)推出的新一代科研分析管理工具(SciVal)可為科研決策提供循證依據(jù)，已見(jiàn)于學(xué)科分析、人才績(jī)效評(píng)價(jià)等方面的應(yīng)用[11]。文中擬利用SciVal平臺(tái)分析深度學(xué)習(xí)在智能機(jī)器人中的發(fā)展態(tài)勢(shì)，對(duì)加強(qiáng)科技發(fā)展戰(zhàn)略謀劃和系統(tǒng)布局，把握大趨勢(shì)，下好先手棋具有重要意義。

1 研究方法

為研究全球DL-R交叉學(xué)科的發(fā)展態(tài)勢(shì)，文中以“深度學(xué)習(xí)”和“機(jī)器人”為主題制定檢索策略，檢索時(shí)間為2020年11月25日，共檢出8 509條記錄，其中2015-2019年為5 922條；接著采用SciVal對(duì)2015-2020年發(fā)表的科研論文進(jìn)行進(jìn)一步分析，獲得學(xué)術(shù)產(chǎn)出現(xiàn)狀、研發(fā)格局、機(jī)構(gòu)與學(xué)者排名，通過(guò)文本聚類重點(diǎn)探討了研究熱點(diǎn)與發(fā)展趨勢(shì)，之后提出促進(jìn)DL-R領(lǐng)域研究發(fā)展的對(duì)策建議。由于2020年的數(shù)據(jù)并不完整，本研究部分分析對(duì)象為2015-2019年的數(shù)據(jù)。

2 研究結(jié)果

2.1 全球DL-R交叉學(xué)科學(xué)術(shù)產(chǎn)出現(xiàn)狀

隨著尖端、前沿的研究不斷突破單一學(xué)科的限制，交叉學(xué)科因其能提供更多元的理論基礎(chǔ)和視角，更容易產(chǎn)生創(chuàng)造性成果，中國(guó)近期新增交叉學(xué)科作為新的第14個(gè)學(xué)科門(mén)類，賦予交叉學(xué)科與傳統(tǒng)學(xué)科同等的地位。領(lǐng)域權(quán)重引用影響力指數(shù)(FWCI)是考察國(guó)家、機(jī)構(gòu)、學(xué)者等的論文影響力的指標(biāo)，其平均水平為1.00。DL-R交叉學(xué)科2015-2019年的FWCI分別為3.65、4.17、3.07、2.21和1.72，5年平均為2.25，說(shuō)明近5年本領(lǐng)域出版物的引文表現(xiàn)高出全球同類出版物平均水平125%，這一指標(biāo)體現(xiàn)DL-R整體研究活躍度水平較高。

重要的深度學(xué)習(xí)算法依次為深度強(qiáng)化學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)、深度機(jī)器學(xué)習(xí)、尖峰神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶等，重要的機(jī)器人學(xué)應(yīng)用依次為無(wú)人機(jī)、移動(dòng)機(jī)器人、智能機(jī)器人、計(jì)算機(jī)視覺(jué)、抓取、姿勢(shì)估計(jì)、機(jī)器人導(dǎo)航、仿人機(jī)器人、同步定位和測(cè)繪、運(yùn)動(dòng)規(guī)劃等，可以視為深度學(xué)習(xí)與機(jī)器人交叉學(xué)科的核心領(lǐng)域。

1．組織投入專門(mén)人力物力，服務(wù)在院培訓(xùn)學(xué)員安裝使用。在主要的教學(xué)樓宇擺放了印有平臺(tái)上線消息的易拉寶，吸引學(xué)員下載安裝；課前進(jìn)入重點(diǎn)培訓(xùn)班發(fā)放宣傳冊(cè)，播放宣傳片并協(xié)助大家安裝使用；精心策劃運(yùn)營(yíng)了領(lǐng)導(dǎo)力、行動(dòng)學(xué)習(xí)、十九大精神解讀等主題學(xué)習(xí)活動(dòng)，在教室張貼季度主題活動(dòng)海報(bào)，學(xué)院師資在平臺(tái)上與學(xué)員互動(dòng)，通過(guò)院刊、學(xué)院網(wǎng)站發(fā)表活動(dòng)消息，得到學(xué)員熱情參與。

古樹(shù)名木是一種自然資源，也是一種文化遺產(chǎn)，具有重要的經(jīng)濟(jì)、生態(tài)、科研、歷史、紀(jì)念等價(jià)值。古樹(shù)名木作為森林資源，可涵養(yǎng)水源、保持水土、除塵抑菌，具有穩(wěn)固的生態(tài)功能[4]；是珍貴的活文物，與城鎮(zhèn)和宗教文化發(fā)展息息相關(guān)，具有深刻的歷史文化價(jià)值[5]；是自然科學(xué)研究的活標(biāo)本，具有重要的科學(xué)價(jià)值[6]；具有獨(dú)特的觀賞價(jià)值，是自然景觀和文化景觀的結(jié)合，是絕佳的旅游資源[7]。對(duì)古樹(shù)名木的現(xiàn)狀進(jìn)行調(diào)查分析，并探討相應(yīng)的保護(hù)策略具有重大理論和現(xiàn)實(shí)意義。

表1 全球DL-R交叉學(xué)科學(xué)術(shù)績(jī)效總覽

表2 中國(guó)DL-R交叉學(xué)科學(xué)術(shù)績(jī)效總覽

2.2 全球DL-R交叉學(xué)科學(xué)術(shù)產(chǎn)出國(guó)家排名

分析DL-R交叉學(xué)科研究的總體格局(2015-2020年)，如表3所示，前10位的國(guó)家排序?yàn)橹袊?guó)、美國(guó)、英國(guó)、日本、德國(guó)、韓國(guó)、印度、意大利、澳大利亞、加拿大。中國(guó)的學(xué)術(shù)產(chǎn)出以2 497排第一，但FWCI僅為1.71，后續(xù)的美國(guó)和英國(guó)則分別高達(dá)3.8和3.15；從被引頻次看，美國(guó)高達(dá)24 258，英國(guó)則以580的學(xué)術(shù)產(chǎn)出，獲得了8 279次引用，接近中國(guó)的10 277，這讓人對(duì)中國(guó)的學(xué)術(shù)質(zhì)量產(chǎn)生一定的憂思。英國(guó)、日本、德國(guó)分別以五百多的學(xué)術(shù)產(chǎn)出不分伯仲，但日本的FWCI特別低，為1.19，且被引頻次也較低；后續(xù)的韓國(guó)和印度學(xué)術(shù)產(chǎn)出相近。

表3 DL-R學(xué)術(shù)產(chǎn)出排名前10位的國(guó)家

此外，其他排名相對(duì)靠前的國(guó)家中歐洲占據(jù)了絕大多數(shù)，同時(shí)從FWCI可以看出歐洲國(guó)家的學(xué)術(shù)質(zhì)量普遍較高，如：瑞士和瑞典雖然學(xué)術(shù)產(chǎn)出數(shù)量不多，但平均被引頻次高于10次，F(xiàn)WCI也在3以上，體現(xiàn)了高質(zhì)量的學(xué)術(shù)水平。反觀亞洲國(guó)家除排名前十的中日韓外，僅有新加坡排名相對(duì)靠前，且亞洲國(guó)家學(xué)術(shù)質(zhì)量普遍較歐美國(guó)家低，平均被引頻次5次左右，F(xiàn)WCI也在2以內(nèi)。

2.3 全球DL-R交叉學(xué)科學(xué)術(shù)產(chǎn)出機(jī)構(gòu)排名

東西部扶貧協(xié)作和對(duì)口支援，是推動(dòng)區(qū)域協(xié)調(diào)發(fā)展、協(xié)同發(fā)展、共同發(fā)展的大戰(zhàn)略，是加強(qiáng)區(qū)域合作、優(yōu)化產(chǎn)業(yè)布局、拓展對(duì)內(nèi)對(duì)外開(kāi)放新空間的大布局，是實(shí)現(xiàn)先富幫后富、最終實(shí)現(xiàn)共同富裕目標(biāo)的大舉措。根據(jù)國(guó)家東西部扶貧協(xié)作部署，福建省福州市連江縣對(duì)口幫扶甘肅省定西市隴西縣，2017年初完善結(jié)對(duì)、幫扶對(duì)象瞄準(zhǔn)貧困村和建檔立卡貧困人口，精準(zhǔn)聚焦于產(chǎn)業(yè)合作、勞務(wù)協(xié)作、人才支援、資金支持等方面開(kāi)展幫扶工作。

表4 DL-R交叉學(xué)科前20科研機(jī)構(gòu)排名

從FWCI指標(biāo)看，中國(guó)機(jī)構(gòu)中僅清華大學(xué)為4.46、排名第10的浙江大學(xué)為2.02，其他機(jī)構(gòu)均不足2，而國(guó)外機(jī)構(gòu)的FWCI值普遍較高，引用次數(shù)指標(biāo)也基本上反映了這一特點(diǎn)，這說(shuō)明中國(guó)機(jī)構(gòu)的學(xué)術(shù)產(chǎn)出質(zhì)量仍有較大的進(jìn)步空間。

此外，學(xué)術(shù)論文產(chǎn)出機(jī)構(gòu)絕大部分為大學(xué)和科研院所，企業(yè)僅谷歌母公司Alphabet一家，反映出學(xué)術(shù)研究與產(chǎn)業(yè)領(lǐng)域的不同特點(diǎn)，企業(yè)更重視知識(shí)產(chǎn)權(quán)特別是專利的申請(qǐng)與保護(hù)，對(duì)發(fā)表學(xué)術(shù)論文興趣不大。

RNN是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點(diǎn)(循環(huán)單元)按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)[15]，主要應(yīng)用自然語(yǔ)言處理、機(jī)器翻譯和語(yǔ)音識(shí)別。常見(jiàn)的循環(huán)神經(jīng)網(wǎng)絡(luò)有雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional RNN，Bi-RNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory networks，LSTM)。1990年，Jeffrey Elman提出了第一個(gè)全連接的RNN，即Elman網(wǎng)絡(luò)。重要論文：Thuruthel, TG等人[16]基于軟傳感器和RNN研發(fā)了柔性機(jī)器人，采用RNN能夠?qū)崟r(shí)地學(xué)習(xí)、模擬軟連續(xù)驅(qū)動(dòng)器的運(yùn)動(dòng)行為，同時(shí)對(duì)傳感器的非線性和漂移具有魯棒性，展示了該柔性機(jī)器人的交互性能。Li等人[17]針對(duì)多機(jī)械手的拓?fù)浼s束問(wèn)題，研究博弈納什均衡的隱式形式，設(shè)計(jì)了一種分布式循環(huán)神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)控制器，使系統(tǒng)達(dá)到期望的納什均衡，達(dá)到協(xié)同控制的最優(yōu)解。Li[18]針對(duì)CNN-零化神經(jīng)網(wǎng)絡(luò)(ZNN)在求解時(shí)變矩陣逆問(wèn)題時(shí)抗干擾性能差的缺點(diǎn)，設(shè)計(jì)一種有限時(shí)間收斂、抗噪聲的ZNN(FTNTZNN)，在各種噪聲下也能在有限時(shí)間內(nèi)完全收斂到理論解，并驗(yàn)證了FTNTZNN模型在求解時(shí)變矩陣逆和機(jī)械臂運(yùn)動(dòng)控制方面具有更好的收斂性和魯棒性。

2.4 全球DL-R交叉學(xué)科學(xué)者學(xué)術(shù)產(chǎn)出排名

表5列出了學(xué)術(shù)產(chǎn)出前10名的學(xué)者，主要來(lái)自日本、德國(guó)、英國(guó)和澳大利亞，總體上呈現(xiàn)出美國(guó)學(xué)者FWCI指標(biāo)、h-指數(shù)、引用次數(shù)特別高、日本學(xué)者較低、德英澳學(xué)者居中的特點(diǎn)。中國(guó)僅華南理工大學(xué)張智軍排名第8，除前10外清華大學(xué)孫富春、蘭州大學(xué)金龍分列第18、20位，他們均為中國(guó)深度學(xué)習(xí)與機(jī)器人交叉學(xué)科領(lǐng)域的佼佼者。綜上，美國(guó)、日本、德國(guó)、英國(guó)、中國(guó)和澳大利亞六個(gè)國(guó)家在高學(xué)術(shù)產(chǎn)出學(xué)者方面領(lǐng)先，但中國(guó)學(xué)者在學(xué)術(shù)產(chǎn)出和影響力方面還有一定差距。

表5 DL-R交叉學(xué)科領(lǐng)域前10學(xué)者學(xué)術(shù)產(chǎn)出與影響力

2.5 全球DL-R交叉學(xué)科學(xué)術(shù)發(fā)表期刊來(lái)源分析

3.3 生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)

表6 DL-R交叉學(xué)科領(lǐng)域期刊學(xué)術(shù)產(chǎn)出排名

2.6 全球DL-R交叉學(xué)科研究熱點(diǎn)分析

通過(guò)文本挖掘確定2015-2019年深度學(xué)習(xí)與機(jī)器人交叉學(xué)科領(lǐng)域內(nèi)的重要概念(關(guān)鍵詞)，結(jié)果按顯著程度排序，如圖1所示。

在改革開(kāi)放初期，傳統(tǒng)思想比較濃重，教育革命尚未很好開(kāi)展，提出這些主體思想要點(diǎn)是令人感到新銳的、有震撼力的。雖然這些思想符合社會(huì)發(fā)展和教育改革的大趨勢(shì)，但當(dāng)時(shí)也難免遭到質(zhì)疑、異議和壓力。不過(guò)，我們堅(jiān)守著自己的信仰并繼續(xù)主體教育思想的學(xué)習(xí)和研究。

第二、后續(xù)計(jì)量環(huán)節(jié)。商業(yè)銀行抵債資產(chǎn)后續(xù)計(jì)量環(huán)節(jié)的會(huì)計(jì)與稅務(wù)處理差異主要來(lái)源于抵債資產(chǎn)減值的計(jì)量。會(huì)計(jì)準(zhǔn)則規(guī)定，商業(yè)銀行需要對(duì)抵債資產(chǎn)進(jìn)行減值測(cè)試并計(jì)提減值準(zhǔn)備，這會(huì)對(duì)商業(yè)銀行整體利潤(rùn)會(huì)帶來(lái)影響；稅法則要求在計(jì)算應(yīng)納稅所得額時(shí)不得扣除減值準(zhǔn)備，這就形成會(huì)計(jì)利潤(rùn)與稅法利潤(rùn)不一致，需要對(duì)企業(yè)所得稅進(jìn)行適當(dāng)調(diào)整。

學(xué)術(shù)產(chǎn)出表示研究領(lǐng)域每年發(fā)表的文獻(xiàn)數(shù)量，如表1所示，2015-2020年DL-R呈現(xiàn)連年大幅增長(zhǎng)的趨勢(shì)，共發(fā)表論文8 509篇，從2015年的182篇增長(zhǎng)到2019年的2 934篇；從年度引用頻次看，2015-2019年DL-R領(lǐng)域出版物被引用共56 991次；高影響力期刊文獻(xiàn)百分比，被引用率最高的前1%、5%、10%和25%出版物中所占的份額分別為3.7%、12.8%、20.1%和35.6%；從學(xué)術(shù)產(chǎn)出的效益看，每項(xiàng)學(xué)術(shù)成果的專利引用次數(shù)(Patent-Citations Per Scholarly Output，所有專利局)平均為43.2，2015-2016年的該指標(biāo)可達(dá)兩百多次，這是相當(dāng)高的數(shù)值。綜上，DL-R交叉學(xué)科是一個(gè)非常活躍和有影響力的研究領(lǐng)域。

圖1 基于文本挖掘的關(guān)鍵詞分析

技術(shù)主題(topics)的學(xué)術(shù)產(chǎn)出可反映學(xué)術(shù)研究的重點(diǎn)，顯著度百分位數(shù)可用于挖掘技術(shù)主題的研究熱度。從技術(shù)主題的顯著度百分位數(shù)指標(biāo)看(見(jiàn)表7)，排名前20位的技術(shù)主題，其顯著度百分位數(shù)均在95%以上，且11個(gè)技術(shù)主題的FWCI在2.0以上。卷積神經(jīng)網(wǎng)絡(luò)-對(duì)象檢測(cè)-IoU主題的顯著度百分位高達(dá)99.999，學(xué)術(shù)產(chǎn)出達(dá)1 349，F(xiàn)WCI為2.38，是DL-R交叉學(xué)科中排名第一的熱點(diǎn)與重點(diǎn)。關(guān)于算法的主題中，多代理學(xué)習(xí)-Q-Learning-策略迭代的顯著度百分位為99.089，F(xiàn)WCI為2.75，但學(xué)術(shù)產(chǎn)出僅為255；尖峰神經(jīng)網(wǎng)絡(luò)-神經(jīng)元模型-事件驅(qū)動(dòng)的顯著度百分位為98.574，但FWCI僅為1.22。在DL用于改進(jìn)機(jī)器人控制方面，下列主題同時(shí)具有較高的兩項(xiàng)指標(biāo)，可以認(rèn)為是DL-R交叉學(xué)科的研究熱點(diǎn)：抓取-手部力量-末端效應(yīng)器、機(jī)器人學(xué)習(xí)-模仿-基元、偽造-篡改-離散余弦變換、可視化定位-同步定位和測(cè)繪-自動(dòng)駕駛汽車、圖像內(nèi)畫(huà)-源域-生成、終端效應(yīng)器-收獲-馬盧斯、Ad Hoc網(wǎng)絡(luò)-無(wú)人機(jī)-基站、觸覺(jué)傳感器-終端效應(yīng)器-觸控器。

表7 技術(shù)主題學(xué)術(shù)產(chǎn)出排名

3 典型算法及應(yīng)用

3.1 CNN

CNN是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，由一個(gè)或多個(gè)卷積層和頂端的全連通層(對(duì)應(yīng)經(jīng)典的神經(jīng)網(wǎng)絡(luò))組成，同時(shí)也包括關(guān)聯(lián)權(quán)重和池化層，主要應(yīng)用計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別。常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)有LeNet、AlexNet、VGGNet、ResNet等，1987年Alexander Waibel等提出的時(shí)間延遲網(wǎng)絡(luò)(Time Delay Neural Network, TDNN)是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)[12]。重要論文：Maturana等人[13]提出了一種用于實(shí)時(shí)目標(biāo)識(shí)別的三維卷積神經(jīng)網(wǎng)絡(luò)(VoxNet)，可以快速而且準(zhǔn)確地對(duì)3D數(shù)據(jù)進(jìn)行分類，在三種不同類型的數(shù)據(jù)：Lidar、RGBD、CAD模型的混合任務(wù)中取得了最好的效果。Levine等人[5]提出了一種基于深度學(xué)習(xí)的機(jī)器人單目抓取手眼協(xié)調(diào)方法，采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)抓取器與場(chǎng)景中物體之間的空間關(guān)系，從而學(xué)習(xí)手眼協(xié)調(diào)，提高抓取成功率。Sundaram等人[14]針對(duì)基于計(jì)算機(jī)視覺(jué)的機(jī)器人抓取策略中觸覺(jué)信息數(shù)據(jù)集的處理問(wèn)題，使用可伸縮的觸覺(jué)手套和深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)證明均勻分布在手上的傳感器可以用來(lái)識(shí)別單個(gè)物體，估計(jì)它們的重量，并探索抓取物體時(shí)出現(xiàn)的典型觸覺(jué)模式。

3.2 RNN

（8）對(duì)安全活動(dòng)制度進(jìn)行完善，加強(qiáng)企業(yè)內(nèi)部對(duì)于安全文化的重視。定期組織企業(yè)內(nèi)部的安全活動(dòng)，加強(qiáng)員工的安全意識(shí)，推動(dòng)安全生產(chǎn)。

鋅指蛋白作為轉(zhuǎn)錄因子中的一個(gè)大家族，廣泛參與了人類體內(nèi)的各種生物學(xué)進(jìn)程，尤其是在基因表達(dá)調(diào)控方面具有重要作用，使鋅指蛋白在結(jié)腸惡性腫瘤的診斷、治療等領(lǐng)域彰顯出巨大的潛力。近年來(lái)，隨著越來(lái)越多的鋅指蛋白被發(fā)現(xiàn)，以及對(duì)鋅指蛋白功能研究的更加深入，鋅指蛋白在結(jié)腸癌中調(diào)節(jié)轉(zhuǎn)錄、控制基因表達(dá)的特性已經(jīng)得到了廣泛的證實(shí)與認(rèn)可；用鋅指蛋白作為工具，調(diào)控哺乳動(dòng)物特定基因表達(dá)的相關(guān)體外實(shí)驗(yàn)也取得了很大的進(jìn)展。但是就目前國(guó)內(nèi)外研究現(xiàn)狀來(lái)看，在結(jié)腸癌中還有許多鋅指蛋白和其作用機(jī)制尚未完全明了，鋅指蛋白能否作為結(jié)腸癌治療新靶點(diǎn)的問(wèn)題也尚未明確，這些都有待于進(jìn)一步的研究與探索。

科研機(jī)構(gòu)在2010-2020年間的學(xué)術(shù)產(chǎn)出排名如表4所示，前20名中中國(guó)占了11所，中國(guó)科學(xué)院、中國(guó)科學(xué)院大學(xué)、清華大學(xué)和中國(guó)教育部占據(jù)前四。國(guó)外實(shí)力強(qiáng)勁的科研機(jī)構(gòu)排名依次為：加州大學(xué)伯克利分校、瑞士聯(lián)邦理工學(xué)院、麻省理工學(xué)院、Alphabet Inc.、法國(guó)國(guó)家科學(xué)研究中心、韓國(guó)高等科學(xué)技術(shù)院、倫敦帝國(guó)理工學(xué)院、慕尼黑工業(yè)大學(xué)、佐治亞理工學(xué)院，前20之后FWCI較高的機(jī)構(gòu)還有：卡內(nèi)基梅隆大學(xué)、斯坦福大學(xué)、華盛頓大學(xué)、密歇根大學(xué)安阿伯分校、南加州大學(xué)、牛津大學(xué)、弗萊堡大學(xué)。

如表2所示，中國(guó)2015-2019年間本領(lǐng)域?qū)W術(shù)產(chǎn)出、作者數(shù)量持續(xù)大幅增加，共發(fā)表論文1 379篇，從2015年的21篇增長(zhǎng)到2019年的802篇；從年度引用頻次看，2015-2019年深度學(xué)習(xí)領(lǐng)域出版物被引用共9 820次；5年平均FWCI為1.77；高影響力期刊文獻(xiàn)百分比，被引用率最高的前1%、5%、10%和25%出版物中所占的份額分別為3.1%、11.6%、19.7%和36.3%。綜合FWCI和高影響力期刊文獻(xiàn)百分比，可判斷中國(guó)在DL-R領(lǐng)域活躍度和影響力均低于世界平均水平，從學(xué)術(shù)產(chǎn)出的效益看，每項(xiàng)學(xué)術(shù)成果的專利引用次數(shù)平均為16.7，該項(xiàng)數(shù)值大幅低于世界平均水平，這可能與中國(guó)學(xué)術(shù)活動(dòng)的產(chǎn)業(yè)轉(zhuǎn)化與互動(dòng)較少有關(guān)。

深度學(xué)習(xí)與機(jī)器人交叉學(xué)科領(lǐng)域的學(xué)術(shù)論文，大部分發(fā)表在機(jī)器人學(xué)和計(jì)算機(jī)科學(xué)相關(guān)學(xué)術(shù)會(huì)議論文上(見(jiàn)表6)，其中Proceedings - IEEE International Conference on Robotics and Automation的FWCI為5.15，Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition的FWCI為8.21，這兩個(gè)學(xué)術(shù)會(huì)議，連同ACM International Conference Proceeding Series，均未收錄于Web of Science數(shù)據(jù)庫(kù)中。由此也可見(jiàn)，選擇Scopus數(shù)據(jù)庫(kù)相較于Web of Science數(shù)據(jù)庫(kù)更適于分析評(píng)價(jià)計(jì)算機(jī)領(lǐng)域的學(xué)術(shù)活動(dòng)。

GAN是一種非監(jiān)督式學(xué)習(xí)方法，通過(guò)讓兩個(gè)神經(jīng)網(wǎng)絡(luò)相互博弈的方式進(jìn)行學(xué)習(xí)，由Ian Goodfellow等人于2014年提出，主要應(yīng)用圖像生成和數(shù)據(jù)增強(qiáng)。Fabbri等人[19]針對(duì)基于視覺(jué)感知的自主式水下機(jī)器人，提出了一種采用GANs來(lái)提高水下視覺(jué)場(chǎng)景質(zhì)量的方法，引導(dǎo)水下機(jī)器人行動(dòng)。Gupta等人[20]考慮自主移動(dòng)平臺(tái)與人類運(yùn)動(dòng)行為共存，結(jié)合序列預(yù)測(cè)和社交感知GAN，提出了一種基于GAN的編解碼器框架和池化塊機(jī)制，使網(wǎng)絡(luò)能夠以純數(shù)據(jù)驅(qū)動(dòng)的方式學(xué)習(xí)社會(huì)規(guī)范，提高多模態(tài)行人運(yùn)動(dòng)軌跡的預(yù)測(cè)精度。Sadeghian等人[21]針對(duì)多個(gè)交互主體場(chǎng)景下自主移動(dòng)平臺(tái)的路徑預(yù)測(cè)問(wèn)題，提出了一個(gè)基于GAN的可解釋框架SoPhie，利用場(chǎng)景中所有代理的路徑歷史和場(chǎng)景上下文信息這兩個(gè)信息源，將社會(huì)注意力機(jī)制與物理注意力結(jié)合起來(lái)，幫助模型訓(xùn)練，預(yù)測(cè)社會(huì)和物理上合理的路徑，并在幾個(gè)不同的軌跡預(yù)測(cè)基準(zhǔn)上實(shí)現(xiàn)最優(yōu)路徑規(guī)劃。

3.4 其他算法及融合算法的應(yīng)用

在大數(shù)據(jù)支撐、計(jì)算能力提升、芯片高速迭代等技術(shù)背景下，各種深度學(xué)習(xí)算法不斷涌現(xiàn)和優(yōu)化，提升了機(jī)器人推理、規(guī)劃和想象能力。Ma等人[22]針對(duì)人機(jī)交互的會(huì)話生成模型，提出了基于檢索和transformer的會(huì)話模型(RRT)，將檢索模型和生成模型相結(jié)合，獲得與上下文相適應(yīng)的響應(yīng)，這里采用了transformer模型代替了傳統(tǒng)的序列到序列的會(huì)話生成模型，在較少的訓(xùn)練時(shí)間下取得了較好效果。Zrira等人[23]針對(duì)移動(dòng)機(jī)器人環(huán)境感知能力，提出了利用GIST描述子提取全局視覺(jué)特征，然后利用后續(xù)特征訓(xùn)練判別性深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)分類器，使用反向傳播技術(shù)來(lái)微調(diào)權(quán)重以獲得最佳分類。Yu等人[24]針對(duì)機(jī)器人基于表面肌電圖的人機(jī)交互問(wèn)題，建立了一個(gè)堆疊式自動(dòng)編碼器深度神經(jīng)網(wǎng)絡(luò)(SAE-DNN)，以連續(xù)估計(jì)手腕多自由度(DoFs)的表面肌電信號(hào)，并驗(yàn)證了SAE-DNN的估計(jì)性能優(yōu)于常規(guī)回歸(LR)和支持向量回歸(SVR)。Kostavelis等人[25]針對(duì)服務(wù)機(jī)器人在家庭或工業(yè)環(huán)境中的自我感知能力，提出了一個(gè)語(yǔ)義映射框架，揭示現(xiàn)實(shí)環(huán)境中對(duì)象和地點(diǎn)之間的關(guān)系，不同地點(diǎn)的分類依賴于基于外觀一致性直方圖的分辨率，在對(duì)于場(chǎng)景中物體識(shí)別時(shí)，采用顯著注意模型增強(qiáng)的層次化時(shí)間記憶網(wǎng)絡(luò)(Hierarchical Temporal Memory，HTM)，使智能體能夠在人類居住的環(huán)境中以智能的方式行動(dòng)。Wang等人[26]設(shè)計(jì)了一種基于尖峰神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network，SNN)的移動(dòng)機(jī)器人行為控制器，利用超聲波感知信號(hào)避開(kāi)障礙物，控制器中使用的神經(jīng)元比經(jīng)典神經(jīng)網(wǎng)絡(luò)少，有效且易于實(shí)現(xiàn)。

近些年，很多學(xué)者開(kāi)展了深度學(xué)習(xí)多模型融合研究，以克服在機(jī)器人姿態(tài)估計(jì)、路徑規(guī)劃、環(huán)境感知、目標(biāo)識(shí)別方面單個(gè)模型對(duì)未知問(wèn)題泛化能力的缺陷。為揭示機(jī)器人領(lǐng)域深度學(xué)習(xí)主要算法綜合應(yīng)用的現(xiàn)狀，經(jīng)Scopus檢索分析得到機(jī)器人領(lǐng)域深度學(xué)習(xí)算法的共詞矩陣(見(jiàn)表8)，矩陣中對(duì)角線數(shù)值為0，其余對(duì)稱位置數(shù)值表示在同一文獻(xiàn)中同時(shí)出現(xiàn)兩種算法的文章數(shù)量。Inoue等人[27]針對(duì)機(jī)械高精度裝配作業(yè)，通過(guò)訓(xùn)練一個(gè)具有強(qiáng)化學(xué)習(xí)的循環(huán)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)機(jī)器人在很小的間隙內(nèi)完成釘孔作業(yè)。Ahn等人[28]提出了一個(gè)生成模型來(lái)學(xué)習(xí)語(yǔ)言和人類行為之間的關(guān)系，以生成一個(gè)描述人類行為的句子作為人類行為序列。該生成模型是基于序列對(duì)序列(SEQ2SEQ)模型的生成性對(duì)抗網(wǎng)絡(luò)(GAN)。利用所提出的生成網(wǎng)絡(luò)，使用文本編碼器RNN和動(dòng)作解碼器RNN來(lái)合成機(jī)器人或虛擬代理的各種動(dòng)作，將這些動(dòng)作可以轉(zhuǎn)移到巴克斯特機(jī)器人身上，使得機(jī)器人根據(jù)給定的句子執(zhí)行動(dòng)作。Tang等人[29]針對(duì)機(jī)器人自主定位導(dǎo)航中運(yùn)動(dòng)估計(jì)的檢測(cè)，采用了CNN和RNN一起訓(xùn)練以檢測(cè)關(guān)鍵點(diǎn)的位置，相比單一深度學(xué)習(xí)模型，該方法取得了更好的效果。Tsurumine等人[30]提出了兩種有效的DRL算法：Deep P-Network(DPN)和Dueling Deep-Network(DDPN)，將策略平滑更新思想與深層神經(jīng)網(wǎng)絡(luò)的自動(dòng)特征提取能力相結(jié)合，以較少的樣本數(shù)提高樣本效率和學(xué)習(xí)穩(wěn)定性，并在機(jī)器人手臂伸展任務(wù)中得以驗(yàn)證。

表8 機(jī)器人中深度學(xué)習(xí)算法共詞矩陣

4 結(jié)束語(yǔ)

目前，DL在重要的感知、認(rèn)知和行動(dòng)問(wèn)題上顯示出了廣闊的發(fā)展前景，可以在無(wú)需人工協(xié)助的情況下對(duì)原始傳感器數(shù)據(jù)進(jìn)行操作，并推斷出其中的關(guān)鍵特征，大大縮短前期工程時(shí)間；同時(shí)還善于融合高維、多模式的數(shù)據(jù)，以捕捉原始數(shù)據(jù)的關(guān)系網(wǎng)絡(luò)，有助于機(jī)器人適應(yīng)動(dòng)態(tài)、非結(jié)構(gòu)化環(huán)境中工作。綜合分析年度發(fā)表文獻(xiàn)增長(zhǎng)量、作者數(shù)量、FWCI、學(xué)術(shù)產(chǎn)出效益等多項(xiàng)指標(biāo)表明，全球DL-R交叉學(xué)科整體研究水平非常活躍并具有較高的影響力。中國(guó)的學(xué)術(shù)產(chǎn)出已達(dá)世界第一，但學(xué)術(shù)質(zhì)量相關(guān)指標(biāo)如FWCI、學(xué)術(shù)產(chǎn)出效益等多偏低，機(jī)構(gòu)與學(xué)者的學(xué)術(shù)影響力較弱，離美英等發(fā)達(dá)國(guó)家仍有一定的差距。

建議從加大科研資助與研發(fā)投入，以促進(jìn)包括DL在內(nèi)的AI在機(jī)器人學(xué)中的進(jìn)一步交叉融合。加強(qiáng)與美、英、德、意、澳、加、法、瑞士等國(guó)的國(guó)際交流與合作，合作對(duì)象可從加州大學(xué)伯克利分校、瑞士聯(lián)邦理工學(xué)院、麻省理工學(xué)院、Alphabet Inc.、法國(guó)國(guó)家科學(xué)研究中心、韓國(guó)高等科學(xué)技術(shù)院、倫敦帝國(guó)理工學(xué)院、慕尼黑工業(yè)大學(xué)、佐治亞理工學(xué)院、卡內(nèi)基梅隆大學(xué)、斯坦福大學(xué)、華盛頓大學(xué)、密歇根大學(xué)安阿伯分校、南加州大學(xué)、牛津大學(xué)、弗萊堡大學(xué)中擇優(yōu)選取。在人才培養(yǎng)方面，中國(guó)在這個(gè)交叉學(xué)科的高影響力學(xué)者數(shù)量少，學(xué)術(shù)產(chǎn)出不高，需要進(jìn)一步加強(qiáng)交叉學(xué)科的人才培育力度，并適當(dāng)引進(jìn)國(guó)外高端人才。

數(shù)據(jù)分析表明，當(dāng)前DL-R交叉學(xué)科的研究重點(diǎn)是計(jì)算機(jī)視覺(jué)，研究熱點(diǎn)是卷積神經(jīng)網(wǎng)絡(luò)用于機(jī)器人對(duì)象檢測(cè)、深度Q學(xué)習(xí)用于輔助決策，以及DL改進(jìn)機(jī)器人控制等方面的用途等，將DL更為緊密地融合進(jìn)重要的機(jī)器人學(xué)應(yīng)用中，如無(wú)人機(jī)、移動(dòng)機(jī)器人、智能機(jī)器人、計(jì)算機(jī)視覺(jué)、抓取、姿勢(shì)估計(jì)、機(jī)器人導(dǎo)航、仿人機(jī)器人、同步定位和測(cè)繪、運(yùn)動(dòng)規(guī)劃等。

DL-R交叉學(xué)科的研究正朝著更高層次的認(rèn)知發(fā)展，目標(biāo)是使機(jī)器人在不久的將來(lái)達(dá)到人類的分析學(xué)習(xí)水平。然而，在實(shí)現(xiàn)這個(gè)目標(biāo)之前，深度學(xué)習(xí)還有許多障礙要克服：首先，需要獲取大量的有標(biāo)注數(shù)據(jù)和較長(zhǎng)的訓(xùn)練時(shí)間，不僅費(fèi)時(shí)，成本也高；其次，現(xiàn)有技術(shù)未實(shí)現(xiàn)實(shí)時(shí)訓(xùn)練深層網(wǎng)絡(luò)，需通過(guò)離線訓(xùn)練后才能進(jìn)行智能辨識(shí)，很難進(jìn)行動(dòng)態(tài)調(diào)整；再次，深度學(xué)習(xí)的局部泛化能力與人類的極限泛化存在較大差距，抽象和演繹推理能力還不足以解決復(fù)雜環(huán)境中的任務(wù)；最后，通過(guò)堆疊更多層并使用更多訓(xùn)練數(shù)據(jù)來(lái)擴(kuò)展當(dāng)前的深度學(xué)習(xí)技術(shù)，只能在表面上緩解一些問(wèn)題，不能解決DL模型在可表征內(nèi)容種類非常有限的基本問(wèn)題，即存在大多數(shù)程序不能被表達(dá)為DL模型，即使有足夠的數(shù)據(jù)源也無(wú)法進(jìn)行訓(xùn)練和推理。已有研究在朝著DL元學(xué)習(xí)、分布式DL、結(jié)構(gòu)稀疏化DNN、三維卷積深度神經(jīng)網(wǎng)絡(luò)等方向努力，使深度學(xué)習(xí)從數(shù)據(jù)驅(qū)動(dòng)算法向大數(shù)據(jù)驅(qū)動(dòng)計(jì)算、傳感器和網(wǎng)絡(luò)驅(qū)動(dòng)計(jì)算、跨媒體驅(qū)動(dòng)計(jì)算轉(zhuǎn)變，推動(dòng)DL與機(jī)器人學(xué)的進(jìn)一步交叉融合，相信未來(lái)機(jī)器人學(xué)將邁向人機(jī)混合的增強(qiáng)智能與智能自主系統(tǒng)。