第一個(gè)機(jī)器人在20世紀(jì)50年代末、60年代初誕生，但嚴(yán)格意義上它不算機(jī)器人，只是一臺(tái)“可編程的物品傳送設(shè)備”，它被用于移動(dòng)通用汽車公司生產(chǎn)線上壓鑄機(jī)周圍的產(chǎn)品。1954年專利的第一句話強(qiáng)調(diào)了本發(fā)明的可編程性和通用性，并且表明可編程性要求傳感器確保程序、期望軌跡或功能和實(shí)際運(yùn)動(dòng)之間的一致性。

 

時(shí)至今日，機(jī)器人并沒有完全偏離最初的概念：如今的機(jī)器人是可以進(jìn)行編程的。它們需要感知自身的環(huán)境，以確保所做的事情和被設(shè)定要做的事情是一致的。而且，它們需要在自身的環(huán)境中移動(dòng)。過去50-60年來所發(fā)生的變化主要是在復(fù)雜性、速度以及應(yīng)用這些基本概念的領(lǐng)域方面有所增加。

 

雖然第一批機(jī)器人主要用來移動(dòng)壓鑄件，但機(jī)器人之父約瑟夫·恩格爾伯格（Joseph Engelberger）深受阿西莫夫機(jī)器人第一定律的影響——機(jī)器人不得傷害人類，或看到人類受到傷害而袖手旁觀。他把機(jī)器人部署在可以保護(hù)人類的地方。保護(hù)人類也是傳感器數(shù)量不斷增加的驅(qū)動(dòng)力，特別是在協(xié)作機(jī)器人（cobots）或自動(dòng)導(dǎo)引車（AGVs）中。

 

是什么推動(dòng)著機(jī)器人產(chǎn)業(yè)的發(fā)展？

 

為了更好地理解對自主機(jī)器人的追求，讓我們回顧一下Alex Wissner-Gross的“智能定律”方程式：它是一種熵力，解釋了機(jī)器人學(xué)的發(fā)展趨勢：

 

 

其中F指的是使未來行動(dòng)自由最大化的力，T指的是定義整體強(qiáng)度的溫度（可用資源），以及S指的是時(shí)間范圍tau內(nèi)的熵。

 

機(jī)器人學(xué)作為一門工業(yè)和科學(xué)，其目標(biāo)是通過增加嵌入式模擬智能來最大限度地提高未來機(jī)器人行動(dòng)的自由度。這就需要：

 

● 有更多的傳感器來獲得更高精度的機(jī)器人周圍環(huán)境模型。

● 有更好的傳感器連接到控制算法（和更分散的控制算法）。

● 有更好的算法從傳感器數(shù)據(jù)中提取盡可能多的信息。

● 有更好的執(zhí)行器來根據(jù)控制算法的決策更快更準(zhǔn)確地行動(dòng)。

 

不妨看一看當(dāng)今的科技領(lǐng)域，機(jī)器人已經(jīng)獲得了很大的自主性，并且正在使用來自互補(bǔ)性氧化金屬半導(dǎo)體相機(jī)傳感器、激光雷達(dá)和雷達(dá)的傳感器來適應(yīng)各種各樣的應(yīng)用。雖然相機(jī)的角度分辨率和動(dòng)態(tài)范圍比雷達(dá)大得多，但相機(jī)不能提供激光雷達(dá)所具有的動(dòng)態(tài)范圍，也不能在煙霧彌漫或多塵的環(huán)境中工作。

 

圖1：工廠環(huán)境中的現(xiàn)代機(jī)械臂示例

 

由于機(jī)器人被設(shè)計(jì)成適應(yīng)最廣泛應(yīng)用的最靈活的選擇，因而它們需要在低光、多塵或明亮的環(huán)境中工作。這種靈活性可以通過組合傳感器信息——傳感器融合來實(shí)現(xiàn)。換句話說，不同傳感器的信息可用于重建機(jī)器人環(huán)境的彈性表示，從而在更多應(yīng)用中實(shí)現(xiàn)自主性。例如，如果一個(gè)相機(jī)被暫時(shí)覆蓋，則其他傳感器必須能夠使機(jī)器人安全運(yùn)行。為確保機(jī)器人能對其所處環(huán)境有全方位的了解，機(jī)器人傳感器數(shù)據(jù)需要以限時(shí)的方式進(jìn)行路由，并用少量的電纜連接到機(jī)器人控制器，以最大限度地提高連接的可靠性。

 

如今，高帶寬低延遲總線主要基于低壓差分信號（LVDS）。然而， LVDS接口并沒有標(biāo)準(zhǔn)，這就導(dǎo)致傳感器到控制器的生態(tài)系統(tǒng)出現(xiàn)分裂，并且使來自不同供應(yīng)商的混合和匹配解決方案變得困難。一旦傳感器數(shù)據(jù)被傳輸?shù)綑C(jī)器人控制器，一系列基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法可以幫助提高機(jī)器人所處環(huán)境的精度。用深度學(xué)習(xí)教父Yann LeCun、Yoshua Bengio和Geoffrey Hinton的話說，“深度學(xué)習(xí)允許由多個(gè)處理層組成的計(jì)算模型學(xué)習(xí)具有多個(gè)抽象層的數(shù)據(jù)表示。”這些深度神經(jīng)網(wǎng)絡(luò)可以在機(jī)器人內(nèi)部用于快速、實(shí)時(shí)處理，也可以在云中用于元信息收集或更復(fù)雜的推理。

 

圖2：機(jī)器人的不同感應(yīng)能力

 

對于大多數(shù)機(jī)器人來說，得益于邊緣處理所允許的固有低延遲，邊緣推理是確保機(jī)器人能夠?qū)ζ洵h(huán)境的變化做出快速反應(yīng)的重要參數(shù)。邊緣推理可用于卷積神經(jīng)網(wǎng)絡(luò)，類似的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可用于圖像分類或預(yù)防性維護(hù)估算，深度Q網(wǎng)絡(luò)可用于機(jī)器人路徑規(guī)劃，或用于為解決一類特定問題而設(shè)計(jì)的自定義神經(jīng)網(wǎng)絡(luò)。

 

展望未來

 

在未來，傳感器似乎不太可能有太大的變化，但所涉及的處理將有所不同。成像傳感器可能變成高光譜或可提供更高的分辨率。激光雷達(dá)可能有更高的波長、更安全、并具有更長的范圍。雷達(dá)傳感器可能配備集成天線，但這些并不會(huì)有顯著變化。未來將改變的是信息使用和聚合的方式。

 

例如，在傳感器集線器上，引入單對以太網(wǎng)（aka T1）和數(shù)據(jù)線供電（電氣和電子工程師學(xué)會(huì)802.3bu-2016）將簡化傳感器集線器接口的設(shè)計(jì)，從而使更傳感器組合更廣泛和實(shí)現(xiàn)標(biāo)準(zhǔn)化配電。在控制方面，強(qiáng)化學(xué)習(xí)將由于最近的突破而得到加強(qiáng)，從而解決了諸如從所有可能的失敗中學(xué)到的高成本，以及由于學(xué)習(xí)模式的偏斜而學(xué)習(xí)錯(cuò)誤行為的懲罰等難題。

 

在歸類方面，大多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的方法并沒有從激光雷達(dá)提供的體素中完全提取出所有的3D信息。下一代深度神經(jīng)網(wǎng)絡(luò)將利用框架提供的非歐幾里德機(jī)器學(xué)習(xí)（或幾何機(jī)器學(xué)習(xí)）中的最新進(jìn)展，如PointNet、ShapeNet、Splatnet和Voxnet等框架。邊緣推理和傳感器融合將融合到我所看到的多個(gè)傳感器源的層次推理中。在這里，數(shù)據(jù)將通過更簡單的推理網(wǎng)絡(luò)做出更快的回路反應(yīng)，例如電流控制神經(jīng)網(wǎng)絡(luò)，以改善現(xiàn)有比例-積分-微分網(wǎng)絡(luò)的性能，一直到能夠提供預(yù)測性維護(hù)診斷并處于中間位置的更加復(fù)雜的長期-短期記憶網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)將能夠補(bǔ)償機(jī)器人結(jié)構(gòu)的微小誤差，并提供更高的位置精度和更平滑的運(yùn)動(dòng)。

 

總結(jié)

 

自主機(jī)器人進(jìn)化是一個(gè)始終變化的目標(biāo)。當(dāng)喬治·德沃爾（George Devol）在1954年申請專利時(shí)，此機(jī)器顯然比當(dāng)時(shí)任何基于凸輪或人工操作的機(jī)器都更自主。但按照今天的標(biāo)準(zhǔn)，這將是一個(gè)非常僵化的設(shè)置，甚至不會(huì)出現(xiàn)在自主程度的排名上。這種劇烈的變化很可能在我們意識(shí)到之前再次發(fā)生。

 

現(xiàn)在人們認(rèn)為，輪式機(jī)器人和協(xié)作機(jī)器人正處于自主的邊緣，當(dāng)人類靠近它們時(shí)，它們會(huì)減速，甚至在移動(dòng)時(shí)也能避免撞到人類。隨著嵌入式模擬智能技術(shù)的迅速變化，這些“處于邊緣”的創(chuàng)新型機(jī)器人在不久的將來不會(huì)被視為具有自主性，因?yàn)檫@個(gè)行業(yè)正在以如此之快的速度發(fā)展并不斷產(chǎn)生新技術(shù)，從而使得機(jī)器人技術(shù)比以往任何時(shí)候都更加自主。

 

本文轉(zhuǎn)載自德州儀器。

 

 

推薦閱讀：