基于深度学习和云机器人的工业机器人未来发展方向的研究

王薪宇

摘要：工业机器人发展的趋势是人工智能化，深度学习和云机器人是智能机器人领域的前沿技术，是近几年社会各界的关注热点。本文介绍了深度学习的主要思想、发展历程和主要应用；简述了云机器人的概念、关键技术及其突出的优势；最后分析指出深度学习构建的神经网络是驱动工业机器人的“引擎”，而云机器人则为工业机器人提供大量的“燃料”，二者的相互结合与促进，必将引领一场工业机器人走向人工智能化的变革。

关键词：工业机器人；深度学习；云机器人；人工智能化

中图分类号：TP24 文献标识码：A 文章编号：1674-098X（2016）04（a）-0000-00

0 前言

工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的现代制造业重要的自动化装备[1]。自从1959年UNIMATION公司的第一台工业机器人在美国诞生后，机器人技术及其产品发展很快，对世界制造业的格局产生了重大的影响。如今，工业机器人成为智能制造技术浪潮的关键，是世界制造大国争先抢占的第三次工业革命的制高点。

在工业机器人不断朝着人工智能化发展的进程中，深度学习（Deep Learning）和云机器人（Cloud Robotics）都是近年来机器人领域最前沿先进的技术，它们将会是工业机器人向智能化进化的下一个跨越。随着世界围棋冠军李世石输给了谷歌旗下人工智能公司DeepMind开发的“阿尔法围棋”（AlphaGo），被誉为人类智慧最后堡垒的围棋也终于被人工智能所攻克，而使AlphaGo获胜的“功臣”——深度学习，也证明了它在机器人大脑中发挥的惊人作用。2010年，Google的机器人科学家兼卡内基梅隆大学机器人研究所教授詹姆斯·库夫纳（James Kuffner）在由电气和电子工程师协会（IEEE）主办的Humanoids机器人大会上提出云机器人概念[2]，国内外反响强烈，不少专家认为云机器人将彻底改变机器人的发展进程。如果将深度学习与云机器人相结合，成千上百个工业机器人并行工作然后分享它们学习到的信息，相互促进学习，如此必将带来的极高的学习效率和提升极快的加工准确度，并且还省略了繁琐的编程。我们不妨假设一下未来工厂的可能出现一幕：设计部的设计师下班前把新设计好的样品交给生产线上的工业机器人，“聪明”的工业机器人将用整个晚上想出如何完成设计师的任务，在学习强化的过程中不断更正自己的错误，不断提高加工精度，同时，整个生产线上的工业机器人分享着这些信息，第二天设计师上班时发现生产线已完成了成品的生产。由此看来，深度学习和云机器人的不断深入研究，将最有可能重塑机器人在未来几年被应用的方式，工业机器人走向未来的进化之光，近在眼前。

1 深度学习简述

1.1 深度学习的主要思想

深度学习的主要思想类似于人的神经网络。人的视觉系统对信息的处理是分级的，从低层的神经细胞提取出边缘特征，然后向高层的神经细胞不断迭代和抽象，也就是说高层的特征是低层特征的组合。对于深度学习，首先是要堆叠多个层，信息被分配在这些独立而又相互联系的层中，简单的说，上一层的输出作为下一层的输入，每个处于后方的层级根据前一层传来的信息行使更加复杂的功能。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性[3]。举个例子，看着一幅图片上的狗，深度学习网络首先需要把照片里的狗按边缘分解成深色和浅色两区域，然后把这个信息传递到下一个层级进行处理，下一层级再将这些信息逐步细化。当到达最后一层时，系统能提供一个数学函数来回答这个问题：“这到底是不是一条狗[4]？ ”

1.2 机器人学习的两次浪潮

20世纪80年代末期，人们利用人工神经网络的反向传播算法（BP算法）可以让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测，开启了机器浅层学习的浪潮。2006年，机器学习领域的泰斗Geoffrey Hinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，提出了深度学习的概念，受到了学术界和工业界的广泛关注，掀开了机器学习的第二次浪潮。深度学习比浅学习具有更强的表示能力，随着大数据的时代来临，深度模型更能刻画大量数据里丰富的信息，从而对未知事件作出更精准的预测。

1.3 深度学习的主要应用

1.3.1 语音识别

2011年微软基于深度神经网络（deep neural networks）的语音识别研究取得成果，彻底改变了语音识别原有的技术框架[5]。相比于传统的语音识别系统，采用深度神经网络进行声音建模的语音识别系统相对误识别率能降低25%，并且深度神经网路的建模技术可与传统的语音识别技术无缝结合，不浪费任何系统额外耗费就可大幅度地提升语音识别系统的识别率。

1.3.2 图像识别

随着计算机计算速度和储存量的大幅度提升，2012年，Hinton和他的两个学生采用卷积神经网络（convolution neural networks）在图像识别领域取得了突破性的进展，在2013年，深度学习模型被成功应用于一般图片的识别和理解。深度学习大大提升了图像识别的准确性和识别效率，可以很有把握地说，从现在开始，深度学习将取代人工特征+机器学习的方法而逐渐成为主流图像识别方法[3]。

2 云机器人简述

2.1 云机器人的概念及关键技术

云机器人，据它的提出者Kuffner所述，指将信息资料储存在云端的服务器上，并让机器人在必要时通过联网的方式从云端获得这些资料。云机器人把云计算和机器人学相结合，使得机器人可以利用云服务器的计算资源来提高机器人的能力，并实现机器人之间的知识信息共享。构成云机器系统，需要五个关键性技术[6]。一，大数据（Big Data）：建立一个提供索引图片、地图和对象数据的全球性数据库；二，云计算（ Cloud Computing）：针对统计学习和运动规划需求的网格计算；三，开源（Open-Source）：可共享的机器人代码、数据、算法和硬件设计；四，协作学习（Collective Learning）：机器人共享轨迹、控制策略和可供统计 机器学习方法分析的输出；五，众包（Crowdsourcing）：用于评价、学习和错误恢复的离线与按需指导。

2.2 云机器人的优势和存在问题

云机器人不仅具备传统机器人的功能，而且还有一些巨大的优势：1）结构简单，云机器人可以卸下复杂的计算任务到云端，同时可以接收海量的数据，因而有着超强的计算和储存的能力；2）机器人可以实现信息和资源共享，学习能力更强，并减少了开发人员的重复工作时间；3） 能够提供全球范围的信息和知识库，还能共享开源代码。由于具有这些优势，云机器人在智能交通、环境监测、卫生保健、智能家居、娱乐、教育和国防等应用领域中具有广泛的应用前景和很高的商业价值。 当然，云机器人技术作为一种全新的技术，还有很多问题需要进一步的研究与探索，如资源分配、系统安全、可靠有效的通信协议等都是下一步研究中需要关注的问题[7]。

3 深度学习与云机器人的结合

人工智能，是工业机器人发展的必然趋势，在社会数字化的时代，是什么给人工智能带来了前所未有的机遇？深度学习，刮起人工智能的一场风暴，引领社会数字化时代的变革，它完全改变了机器人传统的图像和语音识别技术，能够让机器人能够自己理解描绘图像或者语音中的信息，成为目前最强力的机器人视觉听觉技术。如果我们把深度学习构建的日益庞大的神经网络比作是工业机器人腾飞的引擎，那么一个完整的动力系统还需要大量的燃料，这里的大量燃料显然就是大量的数据，而向工业机器人神经网络提供大量数据的就是云机器人，云机器人可以建立全球范围的信息知识数据库，提供开源的代码，算法和硬件设计。如果引擎很大，燃料却很少，是无法驱动的，而引擎很小，燃料很多，显然也不行，深度学习和云机器人是相辅相成的，只有大量的数据才能支撑巨大的神经网络，深度学习和云机器人的相互结合和快速发展，必将实现人工智能的正循环，创造出无与伦比的动力，给工业机器人不可预知的能量。

在2015的国际机器人展上，法兰克（Fanuc）在其展位上演示了散件分拣，事先并没有向系统输入工件易吸附部位的信息，只依靠由强化学习掌握的与环境的相互作用（试错法）进行分拣。在完成1000份数据的学习后，机械手臂有时还会试图吸附工件的侧面等部位，成功率仅为60%，而完成5000份数据的学习，也就是大约8个小时后，成功率则提高到了90%，这样的准确度已经相当于一位专家亲自为它编写程序所达到的效果。很明显，法兰克的机器人使用了深度学习技术来训练自己，它每次分拣散件的过程，法兰克机器人配置的3D摄像头自动进行抓取，不管它的是成功还是失败，它都能记住散件的特征，通过每次分拣过程学到的知识改进控制它行动的深度学习模型或大型神经网络。法兰克机器人由Preferred Networks（法兰克的注资企业）编写程序，Preferred Networks的首席研究官Shohei Hido说：“这种学习方式（深度学习）潜在的一个巨大好处是，如果几个机器人并行工作然后分享他们学到的，就可以促进学习。所以，八个机器人一起工作一小时可以执行与一台机器工作八小时时相同的学习任务，我们的计划是面向分散式学习（云机器人）的，你可以想象成百上千个机器人分享信息。”

从上述例子中可以看见，法兰克公司已经将深度学习和云机器人结合到了一起，并且设计出能完成一些学习任务的工业机器人，事实上，Google公司正在将这一步推向更远，他们试图让机器人能够抓取特定形状的物品，而非特定物品，尽管实现这些技术可能还是充满了挑战，但我们不得不说，随着深度学习和云机器人的不断突破，工业机器的变革风暴正在酝酿。

4 结论

深度学习和云机器人自问世以来，就成为学术界、科技界和产业界的研究热点，虽然二者都还处于起步阶段，但是它们的巨大的潜力给工业机器人的发展带来了极大的机遇。深度学习使工业机器人在语音图像的智能识别和理解上取得革命性的进展，它所构建的神经网络是驱动工业机器人的超强“引擎”，而云机器人所建立的开源信息知识数据库则是推动工业机器人源源不断的“燃料”，深度学习和云机器人的相互促进，会加速推进工业4.0时代的来临，未来工业机器人被应用的方式将彻底改变，高度智能化的工业机器人必然出现，智能生产模式下的无人工厂会成为生产制造业的主流。深度学习+云机器人，必将实现工业机器人向人工智能化推进的一次巨大飞跃。

参考文献：

[1] 徐方. 工业机器人产业现状与发展[J]. 机器人技术与应用， 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] 余凯， 贾磊， 陈雨强， 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展， 2013， 50（9）：1799-1804.

[4] 章琪. 帮机器人看到重点——“深度学习”能够转化机器人的视觉[J]. 世界科学， 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] 王鸿鹏. 云机器人的关键性技术[J]. 中国信息界-e制造， 2014（10）：32-34.

[7] 张恒， 刘艳丽， 刘大勇. 云机器人的研究进展[J]. 计算机应用研究， 2014， 31（9）：2567-2575.