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.docVIP

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 　　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