从性到灵巧性：机器人需求推动的技术变革,机器人,工业机器人,服务机器人-智能制造网

从性到灵巧性：机器人需求推动的技术变革

导读：我们发现，机器人现在需要有一个根本性的进化，这就是逐渐从性进入到了灵巧性。

　　【中国智能制造网技术前沿】我们发现，机器人现在需要有一个根本性的进化，这就是逐渐从性进入到了灵巧性。新的应用需求要处理不确定性，处理不完全信息，具体表现为非结构化环境，这些需求和现有技术比较还是有一点差距的。

　　陈小平教授曾任2015年世界人工智能大会机器人领域主席，2008年、2015年两年的机器人世界杯及学术大会主席。在2016年获得IEEE ROBIO大会佳论文奖，同时还获得了国务院政府特殊津贴，是中科大杰出研究校长奖获得者。

　　陈小平教授从性和灵巧性两个方面深入分析了机器人过去取得的成就，及将来面临的挑战。以下是陈教授在机器人大讲堂的演讲实录(为使文章简介规范，略有改动)：

　　机器人灵巧性：需求推动的技术变革

　　机器人从性向灵巧性转变

　　对于机器人的发展，我们一方面结合国家战略需求和市场的需求研发机器人；另一方面，根据我们了解的机器人技术都取得了什么样的成果，能够支撑什么样的应用，来衡量技术的有效性。当把两个方面放在一起时，我们发现，机器人现在需要有一个根本性的进化，这就是逐渐从性进入到了灵巧性。

　　回顾一下机器人产业的历史。1961在通用汽车生产线上用了工业机器人，到现在56年了。人工智能领域到现在已经做了60多年，取得的成果国内比较关注的是阿尔法狗，但西方民众开始重视人工智能是在1997年，当时IBM的深蓝战胜了十年棋王卡斯特罗夫。

　　所以，对西方人来说，他们感受到人工智能超过人的时间比我们早20年。但是为什么工业机器人能够成功，而所谓的智能机器人到现在还不成功？

　　工业机器人回顾

　　其实工业机器人是比较简单的，其硬件本体基于关节-连杆机构，用运动学来计算关节的角度，保证机械臂的末端能够达到指定的位置。这很容易给人带来一个误区，觉得机器人的成功完全是因为机械臂的性，其实不是这样的。

　　近几年我们到很多生产现场去实地学习，发现生产线上还需要大量辅助设备，其中一种叫夹具。夹具相对于机器人来说古老得多，这个领域有很多成熟的技术。一般来说，在国内，一条生产线只有1/3到1/5的开支是机械臂的，其它的都是这些辅助设备的，包括夹具的。

　　在国外，他们的加工精度更高，所以他们辅助装备的开支占比更大，只有1/5到1/8是机械臂，其它都是辅助设备的。我们这样全面的一看才发现：工业机器人能够成功，并不是单纯的因为机械臂的性，还要加上环境的性。

　　环境怎么能？必需经过化改造，也就是说造一条生产线，以保证生产线上的每一个操作对象(如工件)在任何时刻都被定位，使得机械臂和其他加工设备可以地进行操作。这才是工业机器人的一个完整图像。

　　传统主流控制策略

　　工业机器人背后的技术主要是控制技术。传统的主流控制技术有四种：优化控制、适应性控制、Robust控制，这三种都试图让机器人有一定的灵活性或者灵巧性，第四种叫分层控制。当问题太复杂了，就需要分层控制了。

　　各种传统控制策略背后的原理，其实就两种。

　　种是基于决策论的控制，也就是基于马尔可夫决策过程理论的控制原理。这种原理对问题做了一个抽象，把实际问题抽象为状态集、行动集、回报函数和概率转移函数四个基本构件。在这套基本构件的基础上，引入一些数学规划的方法。首先定义值函数，值函数是评价一个动作的价值的。

　　值函数怎么计算？原始的办法是用贝尔曼公式，后来有很多种改进的计算办法。有了值函数，就可以计算优策略，从而决定在什么状态下执行什么策略好。决策论的一个基本要素是概率转移函数，概率转移函数在马尔可夫决策里扮演了关键性的角色，后面的值函数和优策略求解，都依靠概率转移函数，没有它后面的事情都干不了。

　　这套体系在理论上有很多成果，但在实际应用中，根据我们的观察和了解，得到一个大规模实际问题的可实用的概率转移函数是非常困难的，鲜见成功实例。也就是说，这套理论假定了一种数学机制，但那个机制在大规模实际问题中通常是得不到的。

　　那么，工业机器人实际上是怎么干的？就是用运动学和动力学来简化决策论模型，关键是把概率转移函数给取代了，这样就没问题了。这样做的效果是达到了性，但很大程度上丧失了灵巧性，因为在马氏决策论体系中，没有概率就无法表达不确定性。因此，在工业上实际我们用的是运动学、动力学这套办法。

　　还有一种是基于模糊数学的模糊控制。模糊数学也可以用一段话来概括，核心思想是用实数区间[0，1]，即用连续统上的分类/建模替代二值布尔分类/建模。比如讲台边缘能测量吗？不能。那么按照模糊数学，对桌面边缘上的每一点，给它一个隶属度。

　　比如给它1，表示这一点肯定在桌面上；给它0，肯定不在桌面上；其他情况，用隶属度大小表示在桌面上的模糊度。隶属度和马氏决策论中的概率转移函数一样，对于大规模实际问题很难得到实用化的隶属度。

　　1997年，IBM的深蓝打败了卡斯帕罗夫，当时西方人和我们看到阿尔法狗打败李世石是一样的，感觉天都塌了。深蓝的核心技术是前瞻至少14步，对前瞻得到的棋局用专家的知识做判断，选择有利的走步。这么简单的办法计算量非常大，所以用了人工智能的一种技术叫剪枝，把前瞻棋局减到了600亿个，但还是算不过来。

　　人工智能硬件什么时候开始做？深蓝就开始做了，不是现在才做。许峰雄做了专用的芯片，计算象棋棋局的评价，一秒钟算5亿个棋局，600亿个棋局5分钟就算完了，可以用于比赛实战。这套技术看上去很简单，但是意义非常重大，我把它的意义总结为“许峰雄不等式”：