称为NeurIPS（神经信息处理系统会议）的全球人工智能领域盛会刚刚结束，出席者人数创下历史新高，即使采取抽票制也难以容纳。9000张门票在12分钟内售完，显示了世界各地对AI兴趣的爆炸式增长。
然而，尽管AI创新走出学术界，开始在产业界出现，大多数公司在落实AI解决方案时仍然面临困难。在NeurIPS向AI世界发出警钟的同时，机器人产业似乎对机器学习解决方案落地有更务实的考量。
从“自动化”到真正“自主化”，AI造就的机器人技术领域，最大成果是从原先的“自动化”（工程师通过程序设计编写规则，让机器人遵守）迈向了真正的“自主学习”。
在先前的文章中，我谈到AI如何造就机器人2.0时代。传统机器人主要用于大规模生产线，工程师事先编写程序，让机器以高精度、高速度执行相同的任务，但机器本身无法对变化或意外做出反应，因此弹性有所不足。
然而，随着消费者对定制化产品需求的增长、和劳动力的不断萎缩，我们需要更加自主和灵活的机器人。
也因此，有公司开始尝试将ML应用于机器人领域，使新一代的机器人能够处理传统机器人无法完成的工作，比如说用于改善机器人的视觉、控制以及提高真实使用案例的扩增性。
1. 机器视觉：在识别、扩充性和自主学习方面的突破
即使是最先进的3D结构化光相机，也难以识别具有透明封装、反射或是深色表面的物体，因为光线会散射或是被吸收。
由于物品相互重叠，杂乱堆放的场景带来了更多的挑战；这就是为什么大多数制造商都使用振动台或是零件进料器来分散物品的原因。
此外，传统的机器视觉系统也不够灵活，所以必须事先上传每样物品的3D模型来登录物件，以便后续进行图像及物件本身的匹配。只要过程中有任何一个小变化，都必须重新登录物件、或是修改程序设计。
但是现在，随着在深度学习、语义分割和场景理解等领域的进步，我们逐渐可以用一般相机来识别透明或是会反光的包装。
FANUC公司的 “LR Mate 200iD”拾箱机器人利用深度学习算法、以及3D视觉感应器，来示范拾取随机放置在一个箱子里的相同的金属零件。FANUC表示，由于他们的系统可以即时执行3D图像及物件比对，所以不需要预先登录。
川崎重工则利用来自Photoneo和Ascent两家新创公司的ML技术，展示了类似的随机物件拣选方案；在另外一边，KHI则与Dexterity公司合作，展示了机器人可以同时处理、搬运各种尺寸盒子的自动处理存货解决方案。
日本机器手臂大厂DensoWave以及旧金山的ML创业公司OSARO首次展示了“物件方向识别”（Orientation）功能，让机器人可以从杂乱的箱子里取出透明瓶子；不仅能够识别最佳拾取点，而且还能识别物体方向、并将瓶口朝上放上输送带。
DensoWave机器人事业部总经理Yosuke Sawada评论：“OSARO新开发的‘定向’功能是客户一直在等待的技术之一。此一令人兴奋的新功能，有助于识别对机器人较为困难（例如透明）的物品，并提高操作员和工厂自动系统的拣选率。”
在这项展示中，使用的瓶子是完全透明的，因此很难用传统的机器视觉感应器识别；而且，过去还没有其他公司展示过类似的功能。
这项让技术机器手臂不仅可用于简单的拾取和放置，还可用于更复杂的零件装备（kitting）、包装（packaging）、机器装载（machine loading）、以及装配（assembly）等工作。
2. 机器控制：智能放置和品项处理
作为人类，我们从出生起就不断练习捡拾和放置各种物品，因此可以不假思索就本能地完成这些工作；但是机器没有这种经验，所以必须重新学习。
尤其是在对产品包装特别要求的日本市场，各项商品都需要被精心包装，以确保物件和外包装完整、没有任何缺损。
而利用ML，机器现在可以更准确地判断深度；ML模型还可以通过训练学习，自动判定物体的方向和形状，例如杯子是朝上或向下、或是处于其他状态。物件建模、或立体像素化，则可用于预测和重建3D物件。
这些技术使机器能更准确预测实际物品的大小和形状，从而将物料放置在所需位置；因此，也让以产品品项（SKU）为基础的处理方式得以实现：机器人可以根据物品的脆弱或易碎程度，选择将物品轻轻放下、或是快速放置。
因此，我们可以通过自动改变处理方式，让系统处理量最佳化，而又不会损坏任何物品。
现在也有些公司也开始在运动规划中，尝试使用强化学习或机器学习技术。但是，如果上述的机器学习改进，需要大量数据和长时间的训练，就会造成在实际执行上的困难。在机器人和自动驾驶汽车等实际应用中，获取训练数据既有难度、成本也相当昂贵；这就是为什么我对于数据效率（data efficiency）问题特别关注。
3. 适用于现实世界的扩充性：数据效率
Yaskawa去年为开发工业机器人AI解决方案而成立的新公司“AI Cube Inc.”，在IREX的发布会中推出了为企业将机器学习模型数字化的工具“Alliom”。
根据AI Cube的说法，Alliom 提供了一个模拟环境（simulation），用于进行数据扩充（data augmentation）、并生成类似真实物件的合成数据（synthetic data）。
Yaskawa利用Alliom加快了ML模型随机拣料的训练过程，并希望在不久的将来，能将该解决方案扩展到各种其他应用之中。
这也表示，机器人产业已经超越了仅能引人注目的ML算法，而开始考虑实际应用支援ML的机器人。ML解决方案不仅需要能够成功运作，还必须能有效跨越各种使用场景、扩展用途，否则客户很难有足够诱因来引进这类系统。
结语
在之前文章中，我提到机器人公司正面临“创新困境”：他们意识到创新的迫切需要，但仍然需要照顾他们的核心用户层，也就是需要高速度、高精度工作能力的汽车业和制造业公司；然而，相对于其他市场对灵活性要求较高、也需要机器人能自主学习识别和处理各种元件，这一点是互相矛盾的。
现在，我们看到机器人巨头与KHI与Photoneo、Dexterity、Ascent、DensoWave与OSARO、FANUC以及Preferred Networks等公司联合展出，显示机器人公司正在改变并拥抱AI创新。但是，这样的改变速度够快吗？
在汽车业，我们看到汽车OEM制造商在迈向自动驾驶的过渡中，与Tesla和Waymo等新进者展开竞争；然而到目前为止，我们还没有看到科技巨头进入机器人产业。
但Google、DeepMind、Facebook都已经在机器人相关的ML方面，投入了可观的研究团队，真正进入机器人产业可能也只是时间上的问题。
未来几年之中，观察AI将如何颠覆机器人行业、重新洗牌，将会是很有趣的事情。科技巨头、机器人制造商、电子汽车制造商、AI公司，谁将胜出？最后，谁又能巩固在AI定义机器人时代的领导地位？
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.sosokankan.com/article/2049103.html