智能无人自主系统的发展趋势

2018-07-24张长水梁华为王田苗朱云龙

无人系统技术 2018年1期

张涛，李清，张长水，梁华为，李平，王田苗，李硕，朱云龙，吴澄

（1.清华大学自动化系，北京 100084；2.中国科学院合肥物质科学研究院应用技术研究所，合肥 230031；3.浙江大学控制科学与工程学院，杭州 310058；4.北京航空航天大学机器人研究所，北京 100191；5.中国科学院沈阳自动化研究所，沈阳 110016）

1 引言

智能无人系统是能够通过先进的技术进行操作或管理而不需要人工干预的人工系统。自古以来，人类就创造了无数种无人系统，并且随着人类知识的增长，无人系统的技术水平也逐渐提高。近些年，人工智能（AI）的显著进步使无人自主系统达到了更高的水平。因此，有必要对智能无人自主系统的发展趋势进行深入和详细的讨论。

与传统自主系统相比，无人自主系统的研究内容更加宽泛。各种类型的智能无人自主系统相继出现，将对人类生活和社会产生显著的影响。包括无人车、无人机、服务机器人、空间机器人、海洋机器人和无人车间/智能工厂，在现在或不久的将来都可能发展成为智能无人自主系统。

智能无人自主系统是由机械、控制、计算机、通信、材料等多种技术融合而成的复杂系统，人工智能无疑是发展智能无人自主系统的关键技术之一。自主性和智能性是智能无人系统最重要的两个特征，利用人工智能的各种技术，如图像识别、人机交互、智能决策、推理和学习，是实现和不断提高系统这两个特征的最有效方法。由于这些人工智能技术的发展，我们发现人类可以创造出具有更高自主性和智能性的智能无人系统，并且该系统在某些方面可以接近人类水平。

本文通过概述几个领域的主要成就来阐述智能无人自主系统的发展趋势，第2～8章分别介绍了人工智能技术应用到智能无人自主系统，无人驾驶车辆、无人机、服务型机器人、空间机器人、海洋机器人、无人车间/智能工厂的发展趋势。由此，本文全面描述了智能无人自主系统的发展趋势。

2 智能无人自主系统中人工智能应用的发展趋势

在最近的几十年里，特别是在深度学习出现之后，人工智能和机器学习在计算机视觉、声学和其它学习难题领域中发展迅速。由于更先进模型的提出和计算机硬件的计算能力的提高，许多令人惊叹的无人自主应用出现了。例如，由于AI和机器学习的不断进步，无人车、无人机以及医疗机器人的技术都得到了显著的发展。最引人注意的是，深度学习已经证明具有出色的能够处理复杂任务的能力。现代计算设备，比如图形处理单元（GPUs）和计算框架如Caffe、Theano和TensorFlow，有助于设计者和工程师建立具有创新性和鲁棒性的无人自主系统。

机器学习通过以下两种方式支持无人自主系统：提供类似于人类与外部世界的交互感知和控制方式，先是接收信息，然后分析和控制。从外面世界获得的信息源自感官知觉，如视觉、声觉和触觉。模型需要将获得的信息多层次抽象化，从而描述外部环境。当无人系统获得外部信息，通过与外部环境的交互，同时选择最佳应对策略，系统就可以使用强化学习机制学习控制自身行动。这些方法可以使系统具有通过收集到的数据学习特定任务的能力，并以此创建端到端系统。

视觉方面，抽象化包括目标检测、分类和使用卷积神经网络方法的语义理解。受人类视觉皮层多层次结构的启发，人们提出了多卷积池层的结构，该系统也正在进行不同的机器学习任务。对于视觉任务（如图1所示），卷积层通过卷积本地图层和信息核计算特征映射；池化层将特征地图压缩到一个像素值，通过选择一个最大激励输出或一个局部区域的平均值，从而形成表达高层次抽象化结构的多层次金字塔结构。卷积神经网络利用局部结构和共享权值，极大地减少了完全连接网络中的过拟合问题。

在声学和语言序列数据方面，递归结构模型带来显著的性能改善。如图2所示，他们在循环神经网络中引进了递归回路结构，其中F（X，H）定义从序列化数据输入X到输出隐藏状态序列H的映射。简单递归神经网络（RNN）结构具有长期依赖的问题，而有时我们只需要一些当前的记忆。长短时记忆（LSTM）模型通过引入不同的控制信息流的“门”结构，解决了上述问题，在语言模型和语音识别等方面，这种方法很成功。同时，通过卷积神经网络（CNN）和递归模型的结合使用，图像字幕方面产生新的突破，已经成功将图像转化为语言域。受图像识别科学研究的启发，循环观察模型在未来有助于解决涉及机器翻译和图像字幕的任务。

图1 卷积神经网络结构和原理

图2 循环神经网络的简单（a）和展开（b）形式简图在LSTM和观察模型中，F（X，H）定义为内部的映射

与上述模型不同，深度强化学习尝试学习如何与环境交互，它包含环境集Σ，动作集A，状态S，和值函数V，定义了一个动作的效用的目标函数Q（S，A）的某种状态，优化该函数在某一状态下取得最大值，得到其在后续大数据反馈下也能做出连续决定的映射π（S，A）。该学习方法通常是通过动态优化，蒙特卡洛方法和时间差分方法进行优化。第一个深度强化学习模型是深Q网络（DQN），该模型利用一个称为Q-网络的神经网络将学习问题转化为Q-学习问题。DQN学习中函数Q（S，A）的参数选取的目标是使效用能够达到最大期望值的估计最优策略值，但该方法可能会偏向于一些随机的环境，从而导致过优化。双Q-网络同时结合Q-学习和深度学习模型能够降低过优化，因此在大范围函数下也可以用该方法近似。在处理连续深控制模型估计问题中，深度强化学习模型中的深度确定性策略梯度（DDPG）优化方法提高了鲁棒性梯度，实验结果也验证了该算法的收敛速度和鲁棒性。随着更多有关强化学习应用到深度神经网络的研究开展，深度强化应用到了不同的领域，如处理高维视觉信息和主动感知问题，并引入博弈论的深度学习模型，工程框架Open AI。

随着无人自主系统研究领域的发展，许多引人注目的应用出现了。商用和安保使用的创新型无人驾驶地面车/空中飞行器不仅使研究机构感到震惊，甚至走进人们的生活。例如，在加利福尼亚，谷歌已经发布了销售无人驾驶汽车的消息，特斯拉和其他制造商的产品也正在进行测试。此外，在搜索、救援和战场环境中也经常使用各种无人驾驶飞机（UAVs）。人工智能算法应用也大范围地应用到这些系统上，实现了包括视觉、无线电/雷达信号识别和轨迹规划的使用目的。这些发明不仅创造经济效益也挽救了生命。此外，深度强化学习的进步也引领游戏进入了一个新时代，以至于人类将注意力集中到机器人竞争对手上：在被认为是人类历史上最复杂的围棋游戏中，AlphaGo以比分4∶1战胜著名韩国棋手李世石。

3 无人驾驶汽车发展趋势

在过去的十年中，无人驾驶车（UVs）在学术界和商界已经得到了显著的关注。UVs是包含诸如认知科学、AI、机器人与车辆工程等多学科、多领域的一个典型的复杂系统。同时无人汽车也被广泛认为是一种验证视觉、听觉、认知以及人工智能技术的通用实验平台。无人驾驶汽车的发展不仅可以提高驾驶的安全性和当前交通运输系统的效率，也在其他应用发挥了重要作用，如军事无人作战平台、极地探险和核泄漏检测，以及其他极端环境下的作业。

在20世纪50年代早期，美国巴雷特电子公司开发出世界上第一个自动导引车系统。从2004到2007年，为促进了UV技术的快速发展，美国国防预先研究计划局（DARPA）组织了三次无人驾驶汽车挑战赛。

在中国，中国国防科技大学研制的带有自动驾驶仪的红旗7460自主驾驶汽车，速度已达到130km/h，在高速公路上最高速度可达170km/h，这辆车在道路上显示了它的通过能力。清华大学、西安交大、中国科学院合肥自然科学研究所等研究机构也开发了自己的无人驾驶汽车。从2008到2015年，为应对道路交通的需要，中国国家自然科学基金会举办了七次中国智能车未来挑战赛。2014年，为应对越野环境，中国人民解放军总装备部（PLA）举办了无人地面车辆挑战赛。这些挑战赛的成功举办，对促进中国无人驾驶汽车的发展起到了重要的作用。

由于无人驾驶汽车的发展，许多衍生技术也已被应用于实际情况中。例如，美国海军陆战队的战术无人车（USMC）可以执行诸如侦察、核生物化学（NBC）检测、打破壁垒、在任何天气或复杂地形下执行直接反狙击射击等任务。卡内基梅隆大学研制出一种新的可以在复杂环境下驱动的名为破碎机的无人车。自伊拉克和阿富汗战争开始以来，大约有8000种不同类型的无人地面车辆参与到“持久自由”和“伊拉克自由行动”的任务中。到2010年9月，这些无人地面车辆已经完成了125000项任务，包括可疑目标识别、道路清扫、定位和拆除简易爆炸装置（IED）。美国陆军、海军和海军陆战队的爆破队已经使用无人地面车辆检测和摧毁超过11000个简易爆炸装置。

因为许多汽车制造商和IT公司从2010年开始把注意力转移到该领域，无人车的发展进入了一个新的阶段。梅赛德斯-奔驰、宝马、大众、福特和新成立的公司相继推出无人车研发计划。谷歌的代表性无人车已经可以在美国加利福尼亚、内华达州、佛罗里达州、密歇根的道路上合法行驶。2014年12月22日，谷歌正式宣布首辆具有完全功能无人原型车已经完成，并计划于2015年正式开始道路试验。从那时起，他们的车辆测试行驶距离已经超过了140万英里。特斯拉无人车无线固件已经升级到版本7.1.1，并且积累了7亿8000万英里路程的测试数据。此外，该公司每10h还可以收集到100万英里的行驶数据。以色列智能驾驶技术的设备制造商Mobileeye，在2013年初宣布该公司的设备在2016年可用于道路上行驶的自动驾驶汽车，该公司最成功的应用产品C2-270智能交通预警系统，即将推出其升级产品。苹果公司也启动了一个名为泰坦的内部开发项目。

中国企业也被无人车产业的繁荣所吸引。中国搜索引擎巨头百度发布了第一个与无人车有关的项目；广州汽车集团与中科院合肥物理科学研究院合作开发出使用可再生能源的无人车；其他国产汽车制造商如比亚迪、宇通、上汽等也在积极探索无人车技术的发展并实现其产业化。

尽管在无人车方面已取得部分进展，但该领域仍存在一些需要解决的问题，包括实时环境中的态势感知、智能决策、高速运动控制、精准行车图，无人系统的评价指标和评价方法，以及系统的可靠性。

4 无人机的发展趋势

4.1 无人机综述

无人飞行器（UAV）俗称无人机，是一种无人驾驶飞机系统，是一种典型的自主式无人驾驶系统。无人机通常可用于收集数据和执行监测、监督、调查和检查任务。根据应用领域的不同，无人机可分为民用和军用两大类，军用无人机是一种主要用于监视、侦察、电子对抗、在战斗中执行攻击和毁伤评估等任务的武器。和具有军事用途的无人机相比，民用无人机用途更广泛，包括环境监测、资源勘探、农业调查、交通管制、天气预报、航空摄影、灾难搜救、传输线和铁路线的检查。

4.2 军用无人机现状

第一次世界大战期间，美国军方首次引入无人机，军事需求催生了各种无人机。无人机也因此多次参与到战争中，如二战、越南战争、中东冲突和科索沃战争，在战争中扮演了重要的角色，这些战争也促进了无人机技术的快速发展。到目前为止，最先进、最著名的军用无人机包括X47-B、捕食者、全球鹰和火力侦察兵，这些无人机已经能完成起飞着陆和沿着航迹自主飞行，其中一些可以部分适应飞行故障或飞行条件变化。然而，根据美国国防部于2005年公布的《无人驾驶飞机系统路线图2005—2030》，目前军用无人机自主级别低于三级，没有自主能力完成路线规划、决策、协调和相互间合作。与西方国家相比，中国无人机技术起步较晚，但目前正处于快速增长阶段，近年来也取得了相当大的成就。

4.3 民用无人机现状

除了自主方面之外，在其他技术上军用无人机比民用无人机更先进。但随着无人机政策的完善，民用无人机技术和其工业应用正在迅速增长。目前，民用无人机的应用主要集中在农业植物保护、航空摄影、电力巡线。在未来几年，一些投资组织预测民用无人机的销售将保持每年50%以上的增长率。

民用无人机通常分为固定翼和旋转翼。由于高空作业需要在低高度和低速下飞行，旋翼无人机在民用无人机领域更受欢迎。随着通信、传感器、嵌入式系统等技术的发展，民用无人机的自主性得到了极大提高。先进的民用无人机不仅可以自主起飞、着陆和飞行，还可以实时监测和躲避障碍物。此外，它们中的一些可以编队飞行并相互独立地进行协作。因此，当谈到自主能力时，在某些方面民用无人机优于军用无人机。

4.4 无人机发展趋势

随着各种技术的进步，无人机的未来发展呈现出多样化的发展趋势。然而，作为一种先进的自主无人驾驶系统，无论是军用还是民用，都注定要向低人工干预、高自主性、高智能化的方向发展。2030年前无人机的发展预测趋势如图3所示。

发展趋势的三个主要特点如下：

（1）控制系统

无人机控制系统的自主控制水平可划分为若干等级。例如，2005年美国国防部将军用无人机自主控制系统分为10个层次。一般来说，我们可以把这些层次分成三个等级：远程控制、自动控制和自主控制。目前，大多数无人机已达到自动控制水平。换句话说，高度、速度、位置和飞行路径都可以自动控制。然而，所有这些控制行为均是预先编程的，并不能够代表无人机的自主性。随着传感器技术的发展、嵌入式计算能力的提高，无人机的自主控制能力将明显改善。当飞行中的冲突风险增加或飞行中任务条件发生变化时，无人机将自动控制飞行状态，而不是机械地跟随飞行航迹。当异常情况消失时，它又会重新回到原来的飞行路线。具有自主控制水平的未来无人机将主要以某些飞行不确定性为特征，此外，安全性和灵活性将明显提高。

图3 无人机发展趋势预测

（2）人机关系

改变人机关系是未来无人机发展的另一种趋势。早期的无人机都是采用人在回路模式，这意味着无人机的操作过程无法在没有人干预的情况下进行。目前，与无人机的人机交互正在逐步转向人在回路外模式。在这种模式下，无人机在根据预设程序执行任务时，人只发挥监控监察无人机状态是否正常的作用。随着硬件和软件可靠性的增强，在未来无人机系统中，人工干预将进一步降低。人们只需要作为指挥官把任务分配给无人机，而不是实时监视和控制他们，我们称这种操作为人在回路外模式，当无人机处于该级别时应该具有较高的安全性和可靠性。

（3）智能化

AI是未来无人机系统提高自主性能的关键技术。无人机的智能化主要体现在自主飞行的路径规划能力、执行任务的自主决策能力和与空中舰队的自主协作能力。在这些能力中，自主路径规划是无人机智能化趋势的第一位。目前，无人机大多数的路径或跟踪是由人预设的，效率和灵活性较低。未来的无人机应该能够根据各自的任务和相应的约束条件自主地规划飞行路径，当约束条件发生变化时，无人机将自主调整飞行路径。无人机的第二个智能趋势是对任务的理解和分解能力。当面对复杂的任务时，他们不需要人们分配任务或做出决定，而是自主完成任务。先进的智能无人机将涉及群体智能，一个无人机集群中可以由许多相同的和不同的无人机组成，他们应该有能力进行自主合作、消除冲突，从而最大限度地提高团队表现。因此，未来智能化无人机的一个特点就是能够通过自主合作有效完成复杂任务。

随着科技、技术和政策的进步，未来的无人机系统将成为真正先进的自主无人系统。特别是，经预测，在由美国国防部发表《无人飞机系统路线图2005—2030》的10等级系统中，无人机将达到7或8等级的自主水平，并于2020年广泛应用在民用领域。到2030年底，无人机的自主水平将进一步提高到9或10等级，在航空航天等行业内的应用覆盖率将达到50%。

5 服务型机器人发展趋势

机器人技术涉及机械、信息、材料、智能控制、生物医学等。该技术本身不仅具有高附加值、广范的应用范围，而且已经成为重要的技术平台。它也在增强国防实力，提高应急准备能力，促进经济全面发展，提高人民生活水平等方面具有重要意义。

近年来，现代服务型机器人产品在国内外市场上不断涌现。在社会交际服务中，研究的重点是在帮助老年人和残疾人，以及家政、医疗、教育、娱乐、国防、航空和运输等方面的应用上。服务型机器人发展方向主要有以下三个领域：智能材料和软体机器人、用于感知和控制技术的人工智能技术和芯片，人机交互和安全技术。

5.1 智能材料与软体机器人

从仿生学和智能材料的角度来看，服务型机器人模仿生物系统的结构、材料和其他支撑物，提供了实现机器人功能的必要技术支持。目前，主要的智能材料有形状记忆合金（SMA）、锂离子聚合物（IPMCS）、硅胶。智能材料的应用使软体机器人更安全稳定，同时耐油、耐腐蚀、抗电磁干扰。以色列Given Imaging公司，开发了一种取代传统痛苦的胃镜检查的胶囊机器人；德国机器人公司FESTO开发的一种有许多能实现肌肉功能的动态气管连接的躯干机器人，能进行各种精确的动作；在美国伯克利的加利福尼亚大学，Takei用硅制造了一种可以感受到0～15kPa压力的电子皮肤；在美国哈佛大学，George Whitesides领导的研究小组在软体机器人研究方面取得了突破，他们在机器人软体中使用了不同的结构，因此软体机器人不仅能够抓手，并且具有仿生行走机能。

5.2 用于感知和控制技术的人工智能技术与芯片

传感技术是机器从外部获取信息的主要手段，它包括机器视觉、听觉、触觉、味觉、用于大脑认知的肌电图（EMG），模式识别和自然语言处理。AI提高了机器人模拟人类活动和学习人类知识的能力。2016年，谷歌推出了可以接收语音命令来控制家用电器的Google Home，用于iOS系统的AI助手软件Siri具备问答系统和聊天系统。在美国，iRobot机器人公司和麻省理工学院联合开发的全自动智能吸尘器Roomba机器人，配备了利用同步视觉定位和建图技术的导航信标，能够自主实现室内清洗。在2013年的Macworld大会上，苹果推出了具有开发功能的智能玩具Anki Overdrive，这种玩具车使用人工智能算法操纵机器人自动移动实现自动驾驶，并能在特殊轨道上进行竞赛。美国MQ-9死神无人机配备了电子光学设备、红外系统、微光电视和合成孔径雷达。在中国深圳，DJIInnovations公司研制的幻影4具备传感、自动避障，及专业的空中能力。谷歌的无人车使用摄像机、雷达传感器和激光测距仪进行导航。2016年，在中国安徽省芜湖市，百度建立了全国第一个无人车作业区。2016年，中国第一个嵌入式神经处理单元芯片（NPU）诞生，它已被应用到世界上第一个嵌入式视频处理芯片中。

5.3 人机交互与安全技术

随着服务型机器人与人类生活、人机间的交互关系日益密切，安全技术得到了越来越广泛的关注。由DARPA资助的Deka Arm，是第一个获得美国FDA认证的辅助机械臂。它有一个神经接口，能够将大脑皮层的神经活动转换成操纵辅助装置的控制信号。由北京航空航天大学机器人研究所研究与开发的床椅一体化机器人，能够对老人进行保健管理，从而大大减轻护理人员的负担。美国Intuitive公司创造了能够进行微创手术的Da Vinci Xi手术系统。2016年，波士顿Dynamics公司发布了一个家庭服务型机器人SpotMini，它在许多传感器的帮助下，可以自由行走，并使用机械臂放置洗碗机。

6 空间机器人发展趋势

空间机器人是自主在轨服务的主要实现方式之一。在过去的20年里，航天强国在自主在轨服务方面进行了大量卓有成效的研究。包括在轨测试和应用在内的一系列地面测试表明，自主在轨服务是一种可行的技术，并且在研究和开发中引起了人们的广泛关注。

一般情况下，自主在轨服务的模式主要是通过空间机器人来实现的。根据执行任务的空间机器人的数量，自主在轨服务可以分为两类，分别是：使用单一全功能空间机器人的在轨服务和使用功能相对简单的多空间机器人的在轨服务。

6.1 空间机器人研究现状

（1）美国

美国早期就对空间在轨服务进行了研究，并在国际上居于领先地位。美国实施了12个项目，其中6个项目进行在轨示范。目前，有三个项目：FREND 、机器人燃料加注任务和Phoenix。FREND和Phoenix项目的主要任务是使GEO卫星能够进行自主在轨服务，而机器人燃料加注任务适用于国际空间站并具有实际功能。美国空间机器人的发展经历了从视觉测量、循环监控、交会对接到自动捕获的完整技术进步过程。这些机器人的任务是对高轨道和非合作目标进行在轨服务。通过对自主在轨服务项目的研究，美国在空间操作、以合作对象为目标的视觉测量、绕飞、对接方面取得了良好进展。

（2）德国

德国非常重视对空间机器人和自动化的研究。到目前为止，已有6个关于空间机器人的项目，其中3个进行了在轨演示。目前，两个有代表性的项目正在进行中，分别是DOES项目和OLEV项目。OLEV项目旨在为GEO轨道卫星提供服务，而DOES项目主要针对低轨道非合作对象的技术验证。德国在轨服务的发展，从舱内机器人（地面验证远程操作）、舱外机器人联合技术验证，到开展研究自由驾驶空间机器人。此外，他们还在远程操作技术方面有着广泛的研究和应用。

（3）日本

日本的在轨服务技术相对成熟，并且在国际上具有很高的地位。日本已经启动了三个与空间机器人有关的项目，所有这些项目都通过在轨的演示验证，特别是ETS-VII项目，进行了第一次自主抓取的实验。从机械臂到自由驾驶的飞行机器人，日本的在轨服务技术发展已经取得了巨大的飞跃。通过其在轨项目的展示，日本已经掌握了空间机械臂、交会对接和空间远程操作的技术，从而为空间技术的发展做出了重要的贡献。

（4）加拿大

加拿大开展的空间机器人项目主要服务于航天飞机的遥控系统（SRMS）以及空间站的移动服务系统（MSS）。SRMS系统的主要功能是接收和发射卫星，充当辅助设备。MSS系统由移动基地、空间站远程遥控系统、专用机械臂组成，其主要功能是协助货物舱的对接和运输。加拿大的在轨发展中心研究的大型空间机械臂技术已从基本的机械臂技术、精细的操作臂，发展到灵巧的机械臂技术，在设计、制造和应用方面积累了丰富的经验。

6.2 空间机器人发展趋势

空间机器人是典型的智能无人自主系统。他们未来发展的趋势可以描述如下。

（1）需求

未来，在空间站维护、卫星在轨服务、大型航天器在轨组装等领域对空间机器人有强大的需求。空间机器人的操作将更多地关注小规模、整体和精确的操作。

（2）机械结构

回顾历史，空间机器人的发展遵循从单臂机器人到双臂机器人，再到多臂机器人的发展路线。因此，未来的空间机器人将变得多臂并且会越来越复杂。考虑到任务和环境的多样性，可重构和兼容的机器人将应用于每个工作空间。

（3）末端执行器的操作

广义多指机器人手和可更换工具集是末端执行器设计的两大趋势。机器人对于各种传感方式的需求将会非常强，这将决定机器人的操控能力和智能能力。

（4）动力学和控制

随着机器人系统越来越复杂，多臂、多机器人系统的协同控制将受到人们越来越多的关注。为确保宇航员和机器人在人机协作过程中的安全，安全问题将成为空间机器人设计的一个重要考虑方面。随着传感和信息处理能力的提高，人们将更加重视人机交互，机器人将逐渐演变为半自主控制，最终完全自主控制。

（5）人机交互

为了充分利用机器人的智能，应更多地探索人在回路控制的优势。机器人控制系统应该与各种人机交互方式和多模态相互作用兼容。自然而灵活是新一代人机交互方法的特点。这将促进以人为本、灵活的人机交互方法，如语音、可穿戴设备和EMG。

（6）建模及实验

由于成本较低，空间机器人的实验将在地面上进行，其重力条件为1g。考虑到空间和地面机器人的等价性，工业机器人将用于验证关键的机器人技术。

在太空探索中，未来的研究重点将更多地放在多机器人协调控制上，包括在轨操作的自主决策、深度学习、具有时间延迟的空间机器人和远程控制技术，以及自主识别和重构的新一代模块化和可代替的智能航空航天系统技术。上述技术将为在月球表面建设自主运行的无人科研站提供宝贵的支持。

7 海洋机器人发展趋势

应用需求和相关技术进步将决定和影响下一代海洋机器人的发展趋势。

7.1 海洋机器人平台发展趋势

海洋机器人在海洋勘探和开采任务中的应用正在蓬勃发展。然而，恶劣的海洋环境给海洋机器人发展带来了巨大的挑战，海洋机器人平台需要足够可靠的环境，才能安全地执行任务。随着通用机器人技术的进步，与海洋机器人相关的技术日益成熟，机器人的可靠性也在不断提高。以下为海洋机器人的四种发展趋势。

7.1.1 持久耐用的海洋机器人

海洋机器人的典型应用是观测海洋，收集各种科学数据。这通常要求机器人能够在巨大的空间尺度和较长的时间尺度上测量海洋。近年来，几种长航时海洋机器人平台得到了迅速的发展，无螺旋桨驱动模式的设计是一个热门话题。最近研发出的水下滑翔机使用发动机来调整浮力和机翼产生升力，使它们在海洋中滑行。波浪式滑翔机也在快速发展，与水下滑翔机不同的是，波浪滑翔机使用表面波来驱动他们的运动，使他们比无水滑翔机更具耐力。近年来，移动海洋传感器网络与多种水下滑翔机的结合得到了人们的广泛关注，并在世界各地的一些海洋观测任务中得到了应用。除了降低船上能源消耗之外，一些新型能量采集技术正在开发中，如热机，以进一步提高海洋机器人的耐用性。将来，随着能源技术的进步，并且基于在一定程度上对太阳能、洋流、海浪和生物等环境能源的使用，海洋机器人将拥有更长的运行耐力。

7.1.2 混合海洋机器人

海洋环境非常复杂，而且海洋机器人任务各不相同。没有一种类型的海洋机器人可以完成所有任务。每种类型的海洋机器人平台都有其特定的应用领域和局限性。因此，结合不同类型机器人特点和能力的混合型海洋机器人已成为一种新的发展趋势。Nereus是一款混合型海洋机器人，用于探索马里亚纳海沟，它由美国马萨诸塞州伍兹霍尔海洋研究所开发。它是一种混合动力遥控车（ROV），通过结合ROV和自主水下航行器（AUV）的优点，改变其操作模式。基于AUV模式，Nereus可以对机械手和光纤进行光干涉。在中国，中国科学院沈阳自动化研究所也开发了一种用于极地探险的混合海洋机器人。根据任务计划，北极ARV（自主和远程操作的水下航行器）可以在海冰下移动。当发现感兴趣的东西时，北极ARV可以切换到ROV模式，通过光纤远程操作。因此，在一次潜水中，北极ARV可以以混合的方式执行任务。最近，除了混合AUV和ROV的海洋机器人，其他类型的海洋机器人，结合USV和AUV、UAV和AUV、滑翔机和AUV的机器人已经被开发。在不久的将来，将会有更多类型的混合海洋机器人出现以满足海洋调查的需求。

7.1.3 精密介入海洋机器人

许多诸如水下干预或建造的任务，要求海洋机器人在复杂的水下环境中执行复杂和精密的任务。这就要求海洋机器人平台能够抵抗各种类型的干扰，并具有良好的可操作性。一些先进的技术，如其他领域机器人系统已经使用的灵巧手指（具有力量和触觉感应）将被整合到海洋机器人中，使其成为“技术工人”。

7.1.4 仿生海洋机器人

模仿海洋动物行为或机制的仿生海洋机器人的发展一直是海洋机器人发展的趋势。现在已经开发出各种仿生海洋机器人平台，如机器鱼、蟹、蛇和海龟。然而，由于它们的能力不足以满足实际应用的要求，所以大多数还没有被应用到实际中。未来，随着新材料、新能源和新传感器领域的技术进步，仿生海洋机器人将被应用于更多实际应用中。

7.2 海洋机器人智能发展趋势

一般来说，机器人的自主性能依赖于认知、控制和群体智能，这一点同样适用于海洋机器人。在图4中，根据海洋机器人的发展和人工智能的历史，这三个评价指标被进一步划分为几个层次。

最近几十年，致力于海洋机器人研究的科学家和工程师们集中研究了机器人的自主控制能力，并在“自主控制”轴上取得了巨大的进展（图4）。

图4 海洋机器人评价指标（SLAM：同步定位与映射）

虽然载人潜艇是由Bourne在1578年提出的，并于1620年由van Drebbel投入使用，但很快人们就认识到无人驾驶的海洋机器人将更适合很多水下任务。第一个ROV项目是1958年由美国海军发起的，目标是建立一个水下打捞装置，并且可以通过系绳电缆进行控制。第一艘AUV SPURV是1957年由美国华盛顿大学应用物理实验室开发的，SPURV是为了研究潜艇的扩散和声学传播而研制的。尽管AUV与ROV几乎是在同一时间被提出，但在其自主程度上的发展很大程度上被人工智能、控制技术和传感限制所阻碍。其结果是，ROVs和AUVs总是在海上共存，但它们在不同的情况下工作。例如，ROV适用于局部和精确的现场操作，例如水下工程。而AUV通常更适合于大范围的调查任务，例如远程搜索和探测。在自主认知和控制领域发生重大突破之前，AUVs和ROVs的相对独立性仍将持续很长时间。

海洋机器人的自主环境认知能力可以根据以下六个层次进行排序：基本数据采集和机械避碰、对象分类、识别、同步定位和映射（SLAM）、推理和语义理解。几乎所有的海洋机器人，无论是ROVs还是AUVs，都配备了几种传感器来收集环境数据，如前向声纳、侧扫声纳和高度计。然而，并非所有机器人都能从数据中提取有价值的信息。据报道，美国海军采用的REMUS和Bluefin能够避免可能的碰撞并识别特定对象。然而，即使是普通的水雷探测任务，仍然有许多问题需要解决。在未来，海洋机器人应该能够根据其他已知的环境信息和先前的知识来推断未知物体的存在。

群体智能取决于通信网络。在地面或空中条件下，无线通信网络会产生优化的问题，比如信息的形成和合作。然而，由于声通信中的信号快速衰减，它在海洋机器人中的情况是不同的。图4中“群体智能”轴上列出的排名标准在其他领域的机器人中很常见。例如，适用于地面车辆和无人驾驶飞行器的地面控制、任务规划、合作、任务再规划和合作探索等问题。“责任”是指海洋机器人理解任务，自主地分配给每个成员，并自行解决问题。如上所述，海洋机器人遇到的关键问题是声信号的退化和延迟。即使是在这样薄弱的沟通条件下形成的控制与合作，仍处于学术研究阶段。

人们希望海洋机器人能像鱼一样敏捷，而且它的智力可以与人类媲美。我们相信，在不久的将来，海洋机器人将在控制、认知和群体智能方面取得实际进展。

8 无人车间/智能工厂发展趋势

在过去的30年里，中国的工业化发展取得了举世瞩目的成就，并极大地促进了全球经济增长。由于工业化发展伴随着信息化发展（图5），传统的发展模式，即首先实现工业化发展，再实现信息化发展，已经不适合中国，中国遵循传统的发展模式既不可行也不必要。在中国，两个历史进程（信息化和工业化）正在共同发展。

图5 世界各地的工业化和技术发展过程

随着世界贸易和全球化的发展以及信息通信技术和工业技术的发展，制造业和技术发展正面临着一个转折点。许多发达国家和发展中国家已经公布了支持其经济转型的国家战略，包括：工业信息一体化（iI&I）和中国制造2025；德国工业4.0；美国的再工业化和工业互联网。

面对当前复杂的国际国内经济形势，工业信息一体化是中国智能制造企业生存和长期可持续发展的关键战略。在中国企业中，工业信息一体化有其自身的特点。由于我国的工业化和信息化应用现状和不足，我们应更多地开展深入探索和实践。为了支持转型，标准化是中国的制造业和科技发展战略的重要组成部分，其中包括以下几个部分：将ISO/IEC标准引入中国；制定技术标准；为企业制定标准框架；制定管理架构和相关管理标准。

为了确定智能制造业的发展趋势，我们对相关标准进行分类和定位，并描述了标准之间的关系，我们在参考模型中引入了三份报告。

如图6（a）所示，基于ARC Advisory Group的协作制造管理模型和ISA95的企业控制系统模型，NIST描述了一个智能制造生态系统。工业4.0的参考架构模型如图6（b）所示。为实现中国制造2025国家战略，中国工业和信息化部（MIIT）联合中国国家标准化管理委员会（SAC）发表了题为《国家智能制造标准体系建设指南》的报告。在报告中，基于中国智能制造标准化参考模型，如图6（c），为实现中国制造2025国家战略，无人车间/智能工厂将成为最重要的载体。在每个工厂，预测所有的流程都将由计算机控制的机器人、计算机数控加工设备、无人运输车和自动化仓库设备来操作。

虽然这三份报告有一些共同的想法和相似的概念和元素，但有必要为智能制造标准化建立一个通用的参考模型∶

（1）需要一个广义的参考模型，将这些参考模型连接在一起，以实现它们之间的相互操作。

（2）在这些参考模型中，标准位于每个维度。开发和使用这些标准涵盖了两个或三个维度，这一点还没有详细讨论，特别是在NIST的报告中。

图6 智能制造参考架构

图7 无人车间/智能工厂层次结构图

（3）人们对于标准制定和实施有不同的观点，所以将它们结合起来是一个很大的挑战。

（4）对于一家制造公司来说，有必要接受并应用一个整体的标准框架来支持其智能制造项目。因此，需要一个系统来描述标准集群。

未来工厂的最大改变也将来自信息技术。无人车间/智能工厂将利用物联网技术和监控技术，提高生产过程的可控性，减少人工干预的生产流水线，引入合理的规划调度，加强信息管理服务。与此同时，随着工业和技术的不断发展，智能设备和系统以及其他技术将继续出现，例如计算机辅助设计。仿真技术将减少新产品推向市场的时间和成本，先进的机器人技术将使自动化变得更实惠和灵活。

通过以上讨论，我们为无人车间/智能工厂创建了一个高级架构（图7）。该架构的组件为人机融合、混合虚拟和现实技术、分布和集中。所提出的理论模型可分为四个空间：设备级制造空间、单元级制造空间、跨层制造空间和跨域生产网络空间。每个空间的技术重点反映了无人车间/智能工厂在该空间中需要解决的重要问题。