ICRA前沿速報：制造業(yè)重新關(guān)注機械控制，AI融合仍任重道遠｜ICRA 2017

雷鋒網(wǎng) AI 科技評論按：ICRA 全稱為“IEEE International Conference on Robotics and Automation”（機器人與自動化會議），是機器人技術(shù)領(lǐng)域最有影響力的國際學術(shù)會議之一。ICRA 2017 于 5 月 29 日至 6月 4 日舉行，雷鋒網(wǎng) AI 科技評論從新加坡帶來一線報道。該會議舉辦期間，雷鋒網(wǎng)將圍繞會議議程及獲獎?wù)撐恼归_系列專題報道，敬請期待。

今天是持續(xù)一整天的 workshop／tutorial，作為貫穿整個 ICRA 大會的重要環(huán)節(jié)，僅今天的議程就包括了兩個分別為半天的 tutorial 及 11 個全天的 workshop，分別涵蓋魯棒感知、基于感知的物體抓取、亞馬遜抓取挑戰(zhàn)賽解決方案、軟體機器人等多個議程。

雖然 keynote、session 等多個重磅環(huán)節(jié)明天才開始，但今天的 ICRA 2017 會場已經(jīng)是熱鬧非常。今天的主要議程都在四樓進行，每個房間大約能容納 100 人，雷鋒網(wǎng)簡單環(huán)顧一圈，發(fā)現(xiàn)基本上每個房間內(nèi)都坐滿了人，有的學者甚至只能站在最后聽講，但即便是這樣，也抵擋不住求知的好奇。

走廊上的茶歇也成為了學者們交流的絕佳場所。來自加州伯克利大學的 Menglong Guo 告訴雷鋒網(wǎng)，因為議程非常多且領(lǐng)域非常細分，他也只能走走看看。「并不是每個（領(lǐng)域）都很了解，也有些聽不懂的名詞。」看來真是隔行如隔山呢。

由于議程過多，雷鋒網(wǎng) AI 科技評論只能忍痛割愛，選擇了比較感興趣的一個 workshop「Sensor-Based Object Manipulation for Collaborative Assembly」（協(xié)作組裝中基于傳感器的物體操作）進行了解。

在過去十年里，從基于物理建模到基于傳感器的學習，抑或是從個體機器人到人機協(xié)作，不論是學界還是業(yè)界，對協(xié)作組裝中基于傳感器的物體操作的研究興趣與日俱增，且已經(jīng)成為一個前沿研究領(lǐng)域。

不過這一研究方向依然面臨以下問題：

• 1）機器裝配任務(wù)需要怎樣的控制策略與終端執(zhí)行？如何實現(xiàn)改進？

• 2）如何模擬人與機器之間的協(xié)作，使組裝任務(wù)能夠效益最大化？

• 3）如何讓協(xié)同任務(wù)借助學習的方式設(shè)計高效控制器？

而本次 workshop 便是綜合學界與業(yè)界雙方的意見，從協(xié)同組裝任務(wù)規(guī)劃、硬件優(yōu)化、控制策略、機器控制學習及基于觸覺，力和視覺反饋的傳感器融合等多個方面嘗試解決上述問題。

而邀請到現(xiàn)場做演講的嘉賓包括了五位學界人士與五位產(chǎn)業(yè)界人士，分別是：

從邀請嘉賓可以看出，ICRA 的 workshop 對學術(shù)界與產(chǎn)業(yè)界同樣重視，且希望在同一個平臺上碰撞出思維的火花。

在上午的議程結(jié)束后，雷鋒網(wǎng) AI 科技評論與南佛羅里達大學的孫宇博士進行了交流。孫宇博士在去年曾經(jīng)作為演講嘉賓來到 CCF－GAIR 的舞臺，并做了題為《機器人靈巧手抓取的復興》的演講，他以「如何給機器一雙靈巧的手」為主體，回顧闡述了類人機器手的發(fā)展歷程。那么在本次的 ICRA 上，孫宇博士又會帶來怎樣的最近研究進展呢？

孫宇博士表示，最近他們開始嘗試用 RNN（recurrent neural network）的方式訓練機器完成「倒」（pouring）的動作。倒水對于人類而言雖然是一個非常簡單的過程，但是對于機器人則不然。難點在于，水的運動非常復雜，但是機器很難對此進行判斷和控制。孫宇博士近期通過 RNN 模型訓練機器倒水，通過判斷水的流速、容器的大小反饋給力的傳感器，進而讓傾倒的過程變得順暢。

訓練這個動作可以讓服務(wù)機器人在日常生活中的應(yīng)用變得更加順暢，尤其是烹飪機器人。孫宇博士告訴雷鋒網(wǎng) AI 科技評論，最經(jīng)常使用的動作首先是「picking／grasping」（抓取），其次便是「pouring」。當然，pouring 并不止于傾倒液體，不論是豆子還是青菜，機器在烹飪過程中可能產(chǎn)生的一切傾倒動作，都不再成為問題。此外，RNN 的學習過程可以讓傾倒過程更加流暢，即使沒有訓練過傾倒的內(nèi)容和對應(yīng)的傾倒容器，機器依然能夠順暢地完成這一動作。

而延伸到 ICRA 會議，孫宇博士表示，本次會議他比較驚訝的地方在于，基于制造業(yè)的推動，研究領(lǐng)域又重新關(guān)注起機械臂集成問題，他自己對這一變化也深有體會，在去年先后得到來自三星、華為等手機廠商的反饋，工業(yè)界組裝的應(yīng)用環(huán)境和目的已經(jīng)發(fā)生了很大的改變，但是學者們還沒有跟進這一問題的解決。

首先，傳統(tǒng)的組裝是靠磨具制造，產(chǎn)品的周期可能是一到兩年，因此磨具的使用年限也比較長，也不需要進行更換。但如今以 3C 為代表的產(chǎn)品，生命周期比較短。對于手機生產(chǎn)商而言，可能很短時間內(nèi)就會有一個小的改進，那么磨具的迭代速度也會變快。

其次，廠商可能會生產(chǎn)不同種類的產(chǎn)品，周期有長有短，那么如果基于原來的組裝模式，流水線的更換也會非常頻繁。而隨著對靈活性的要求變高，固定的流水線已經(jīng)不再適應(yīng)現(xiàn)有的制造業(yè)。

因此，基于編程的靈活機械設(shè)備就成了制造業(yè)亟須改進的部分。但這也對機械臂的設(shè)計提出了很大的挑戰(zhàn)，以電子產(chǎn)品為例，產(chǎn)品的精細程度非常高，因此需要基于力反饋自行進行調(diào)整。「整體而言，機器學習和深度學習在未來的應(yīng)用會越來越多，但機器學習的問題就是沒法 verifying，那么也就在很大程度上影響了它在物理系統(tǒng)上的應(yīng)用。」

孫宇博士曾多次基于「bring AI into the physical world」做過演講，「AI 在虛擬世界中已經(jīng)非常厲害，深度學習之所以做得很好，一方面是因為此前的研究基礎(chǔ)，另外就是數(shù)據(jù)的支持。但 AI 離應(yīng)用于物理世界還有一段距離。我覺得主要原因有幾個方面，首先是做 AI 的研究者對機器人應(yīng)用的 verifying 的關(guān)注度還是會低一些，其次是機器數(shù)據(jù)收集過程并不簡單。比如自動駕駛可以通過傳感器收集數(shù)據(jù)進行訓練，那么如果換一個傳感器，數(shù)據(jù)是否需要重新收集？」因此，孫宇博士認為主要的解決方案也需要從這兩個方面做起。「首先是增加 AI 研究者對機器的研究，其次是對數(shù)據(jù)的低成本獲取。」以孫宇博士自己的研究項目為例，他的實驗數(shù)據(jù)都是自己收集的，主要包括 RGB－D、視頻、圖像及動作數(shù)據(jù)等。

而在今年，孫宇博士也將來到 CCF－GAIR 大會，如果你也想到現(xiàn)場與孫宇博士交流，歡迎購買限時六折票參加。

 

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。