深度学习对工业机器人发展的促进作用*

刘媛

安徽电子信息职业技术学院 安徽 蚌埠 233000

1 深度学习研究概述

深度学习于20世纪80年代被首次提出，该技术衍生自人工神经网络运作原理，通过模拟人类大脑的学习机制实现机器学习[1]。进入大数据时代后，深度学习模型能够基于大量数据样本对信息进行更为准确的刻画与预测，其作为人工智能技术的典型代表，成为数字化时代的重要引擎。深度学习算法即基于多隐层机器学习架构模型的构建，大量提取数据样本特征信息，并经由大规模训练实现高效且准确的特征学习[2]。此过程中，模型通过对样本数据的分拣与学习，获取其核心发生规律与行为能力，提升处理数据的速率与准确度。深度学习算法的出现完全改变了智能机器人应用传统语音识别技术、图像处理技术的方式。在智能机器人领域，人工智能是其未来必然发展趋势，而基于深度学习算法的机器学习从根本处理方式上改变了传统机器人运算处理路径，应用人工神经网络原理使工业机器人以更高的工作效能与处理精度对外界输入数据进行识别与处理[3]。

2 深度学习对工业机器人发展的促进作用

2.1 基于深度玻尔兹曼机优化群组协作学习问题

玻尔兹曼机（简称BM）为随机递归神经网络，其主要学习原理为基于对数据样本的深层表示，进而对其协作问题与学习问题予以处理[4]。而深度玻尔兹曼机是深度学习的典型代表，基于深度BM神经网络能够实现多个受限波尔兹曼机的有序层级输入输出，从而实现特征学习机器的综合平衡协作。在工业机器人应用领域中，通常会存在多个机器人互联共享信息并同时并行工作的情况，此过程必须保证个体工业机器人实现同其他机器人的有效信息共享、互动。然而传统工业场所机器生产应用现状中，难以实现有效协作与学习，个体机器人在保证自我学习效果的基础上无法准确表征数据特征，导致协作工作效率低下。针对于此问题，基于深度玻尔兹曼机的机器学习算法能够使得工业机器人在协作工作状态时，能够及时预测处理故障信息并实现机器个体之间的信息互通，节省编程处理步骤，增加工业机器人群组协作学习精度[5]。

2.2 基于深度学习语言处理提升工业生产安全性

尽管目前工业机器人的应用成为智能制造时代的主要热点，但是其在工业生产过程中所存在的安全问题依然是重要隐患之一。经相关数据统计发现，机器人所致安全事故在生产事故中占比相对较高，而机器人伤人事件也屡见不鲜[6]。此类安全事故的发生并非偶然，其中操作者人为失误为主要原因，另一方面还是由于工业机器人智能化程度低，其在自适应机器视觉以及模式识别方面并不成熟。深度学习算法应用以前，工业机器人多采用传统语音信号通信技术，其在识别率方面依然存在很大提升局限[7]。而基于深度学习的智能语言处理算法对于工业机器人工作安全性的提升有显著推动作用，其在未来发展中将成为促进计算机与人类实现高效交互的主要渠道。

2.3 基于群体组合特性学习解决智能通信问题

信息融合技术是工业机器通信技术的核心，其主要依托于分布在机器人作业臂或功能部件之上的传感器而实现。而工业机器人群组之间之所以能够实现通信与交互，主要就是利用所收集到的信息进行准确的数据编解码，继而由主控制平台调用不同指令程序发出交互命令[8]。传统工业机器人中尽管能够基本实现简单的信息交互，但是却不具有深度信息分析与融合的处理技术。因此，当工作面由于外界因素导致突发情况时，工业机器人无法进行智能化感知分析并以即时通信的方式“通知”生产线其他机器人，不利于生产工作的高效开展。基于深度学习算法的交互通信技术能够为机器人系统提供以目标驱动为基础的技术支持，基于生产线机器人系统群组的组合特性学习，其将对工作场景环境特征以及学习任务做出更为准确的反应，并实现即时、可靠的生产线智能通信。

图1 基于生产线的智能分拣工业机器人

3 深度学习在工业机器人中的实际应用

3.1 工业服务

智能工业机器人能够在较为复杂的工业生产活动中，代替人类进行一些精密程度或危险系数较高的生产工作。例如基于深度学习算法的智能挖掘机器人，能够依托于多类视觉传感器自主构建作业环境地图，并通过前期处理、灰度化处理、特征信息提取、中值滤波过滤等操作，完成图像检测，继而利用深度学习算法对图像进行处理，得到更为精密的图像分类与边缘特征识别结果，并在此基础上实现准确的挖掘目标跟踪与检测[9]。下表1所列为智能工业机器人目标识别系统的主要构成。

表1 智能工业机器人目标识别系统的主要构成

3.2 场景识别

传统工业机器人所开展的工作往往具有单一性与重复性，因此其在工作过程中无须对外界环境的动态变化做出自适应反馈。随着深度学习机器算法的研发与应用，工业机器人的应用场合对于其场景识别能力提出了更高的要求，其不仅需要获取工作环境的位置信息，同时须能够对生产线中所出现的场景变化进行动态识别，并基于模型训练过程与特征提取结果对场景任务进行自适应解析，从而不断更新显著特征集，改进与优化前期识别过程中的非正常判定或错漏标注，提升工业生产的智能化程度。

3.3 运动控制

基于工业生产线作业的工业机器人在不同生产阶段具有不同的工作任务，而其内设程序指令中，对每阶段所需要进行的动作已经进行明确设置及严格编排，当其受到未在预设规定内的操作影响时极易导致操作流程发生混乱，延误生产进程。而基于深度学习的工业机器人控制系统，能够在此过程中基于多步卷积神经网络对其所处状态进行识别和处理，并将决策结果输出至机器人机械部分，控制其驱动动作，继而基于其动作结果反馈适应性做出奖励，并更新决策网络，由此通过决策循环的方式使得工业机器人的运动控制更加能够适应于动态性工业生产场景[10]。

4 深度学习与工业机器人的未来发展

随着智能机器人的不断发展，工业机器人将会在计算方法方面更加趋向于与大数据计算技术、深度学习算法、云计算技术结合应用的趋势发展，应用载体主要为微型机器人、仿生机器人、模块化机器人等，而机器人也将逐步呈现领域交叉融合性、定制化、服务性等特征。不仅如此，机器人群组将能够实现更为高效化的共同学习以及智能通信，使得特征训练学习成果能够实现即时共享，从而保证数据分析决策结果的高效性与可靠性，显著提升工业生产效率。因此，基于深度学习算法的机器人控制系统的研究重点侧重于递归神经网络方向，以更好地解决目前机器人任务完成过程中所出现的动态化目标跟踪以及变形、遮挡问题。随着科研水平的进步，工业机器人将以更加智能化的模式识别系统，实现仿人类神经网络式的自适应学习与决策模式。同时在工业机器人的生产与研发过程中，也存在一些亟待解决的重要问题。例如，难以构成体系化的产业链是当前我国机器人生产的主要困境，不仅如此，工业机器人性能稳定性、系统安全性、通信协议可靠性、资源统筹合理性、交叉融合性等，都是在未来深度学习算法与工业机器人结合应用发展进程中所必须要解决的重点。

5 结束语

深度学习算法自出现以来就已经成为智能研究领域的热点，尽管在目前深度学习算法依然还未发展成熟，但是其对于智能化信息识别处理以及机器人发展将起到至关重要的引擎驱动作用。从目前应用来看，深度学习技术的出现已极大地推动了工业机器人的智能化发展进程，我们有理由相信其将在未来智能制造时代发挥出巨大的潜力。