機器人 99％ 的精確抓取率，一點都不可怕

在昨日文章《已知人工智慧不會接管世界，為什麼還要繼續關注它？》中我們提到，人工智慧已經成為一個營銷流行詞，就像之前的機器人一樣，現在一切似乎都是由 AI 驅動的。人工智慧有時很難精確定位。即使是專家們在識別、確定什麼是和什麼不是人工智慧時也會猶豫。正如 Brooks 所指出的那樣，20 世紀 60 年代的人工智慧現在被教授在計算機編程的第一門課程中，但它不叫 AI。在某個時刻，它被稱為人工智慧。後來，它就變成了計算機科學。

機器學習及其所有的變化，包括深度學習、強化學習和模仿學習，都是人工智慧的子集。Goldberg 解釋說，在一段時間內，人工智慧是一個非常狹窄的領域。一些人非常清楚地看到了一套基於搜索的技術。現在人工智慧被廣泛認為是機器人和機器學習的保護傘，所以現在它被廣泛應用於各個領域。

計算機視覺的高級形式是人工智慧的一種形式。「如果你只是在檢查一個螺絲是否在正確的位置，那我們從 60 年代就已經有了。把它叫做人工智慧是一種延伸，」Goldberg 說。但與此同時，一個能識別工人面孔的計算機視覺系統，我們通常會認為它是人工智慧，這是一個更加複雜的挑戰。

深度學習機器人抓取

Goldberg 的 AUTOLAB 專註於人工智慧超過十年，將它應用於雲機器人技術、深度強化學習、學習演示，以及對倉庫後勤、家庭機器人和外科機器人的控制和操縱。

該實驗室 Dex-Net 項目表明，人工智慧可以幫助機器人通過進給數百萬三維物體模型、圖像以及如何將其掌握到一個深度學習的神經網路來掌握不同大小和形狀的物體。在此之前，機器人學習如何通過不同的對象反覆練習來掌握和操縱物體，這是一個耗時的過程。通過使用合成點雲而不是物理對象來訓練神經網路來識別健壯的抓取，Dex-Net 的最新迭代效率更高，實現了 99% 的精確抓取率。

在 Dex-Net 2.0 的幫助下，觀看 ABB 的 YuMi 機器人操作各種各樣的對象，包括以前沒見過的東西。神經網路學習了如何基於相似形狀物體的先驗經驗來抓取新的物體。

從長遠來看，Goldberg 希望開發出高度可靠的機器人，能夠抓住各種各樣的剛性物體，如工具、家用物品、包裝物品和工業部件。他也對能在不同類型的機器人之間工作的演算法非常感興趣。該實驗室的研究是由包括谷歌、亞馬遜、豐田、英特爾、Autodesk、思科和西門子在內贊助的。

大數據遊戲

國家足球聯盟正在使用人工智慧技術。任何看過美國橄欖球大聯盟賽事或賽前和賽後節目的人都可能看過。隨著 2018 年超級碗的臨近，Brooks 提供了一個人工智慧的例子。

上世紀 90 年代末，卡內基梅隆大學的機器人與計算機視覺領域的世界知名研究員 Takeo Kanade 共同開發了一套機器人攝像頭和先進的演算法，讓遊戲場地可以在競技場周圍的多個角度拍攝，然後無縫集成到動態 3D 全景圖中。通過將單獨的鏡頭組合成一個三維重建，系統會產生一個沉浸式的 360 度渲染。隨著 2001 年首次亮相超級碗，這項技術已經取得了長足的進步。

他們把所有的玩家都拍了下來，建立了一個完整的三維模型，這樣你就可以在虛擬現實中放大和瀏覽，看看每個人都在哪裡。這是 10 年前人工智慧領域的一個熱門話題。這項技術一直在進步，現在被用於各種體育場館。光滑的演算法處理大量的數據，使自由的空間視頻出現在我們眼前。

對工廠車間的預測分析

在工業領域，AI 技術被機器人製造商 FANUC 在其領域系統中使用，FANUC 智能邊緣鏈接和驅動系統。通過建立一個連接的機器和設備的互動式網路，現場系統能夠利用大量的數據並得出智能的結論，如預測機器行為或潛在的故障。像通用汽車這樣的客戶正在利用這一領域為他們的工廠準備工業4.0。

深度學習 Cobots

重新思考機器人技術的 Intera 5 軟體給了 Baxter 和 Sawyer 協作機器人他們的智慧。機器人的視覺和訓練能力有很多人工智慧。Watch Sawyer 在這個定製的注塑機公司里有一個 CNC 車床，他們計劃最終把機器人改造成其他的任務。

「傳統工業機器人沒有太多的智能。」Brooks 說，但未來就不一定了，他們正在深入研究機器人，努力應對變化，因為他們認為 90% 的製造都是在與人類相同的空間里工作的。

Sawyer 和 Baxter 的機器人有一個演示功能，可以讓 AI 工作。當通過演示來訓練它時，可以通過移動它的手臂來展示它的一些東西，它會感染一個叫做行為樹的程序，為自己編寫一個運行程序，不必人來寫程序。

Intera 5 是一種圖形化編程語言，可以查看它，修改它，或者如果你想，你可以在行為樹中編寫一個程序，繞過它自動執行。這意味著在工廠工作的人，哪怕不是程序員，也可以讓機器人做一些新的事情，它會推斷出他們要求它做什麼，然後編寫自己的程序。

改變機器人編程的模式

人工智慧正在改變機器人的編程方式。Abbeel 和他的團隊在Embodied Intelligence是利用人工智慧的力量幫助工業機器人學習新的複雜的技能。

他們的工作由加州大學伯克利分校的聯合創始人的研究發展而來，教機器人操縱物體，在使用模仿學習和深度強化學習方面取得了重大突破。

初創公司利用感應和控制的結合來遙控機器人。在感測方面，操作員戴著虛擬現實頭盔，通過攝像頭顯示機器人的視角。在控制方面，Oculus Rift 和 HTC Vive 等 VR 設備都配備了手持設備，操作人員手持設備。當操作者移動他的手時，該動作被跟蹤。跟蹤的坐標和方向被輸入到驅動機器人的計算機上。這樣操作人員就能像操縱木偶的人一樣，直接控制機器人的動作。

「我們允許人類將自己嵌入到機器人中，」Abbeel 說，所以現在人類可以通過機器人的眼睛看到並控制機器人的手。通過 VR 系統的工作，操作員被迫服從機器人的約束。

Abbeel 解釋說，通過演示來傳授機器人技術的精髓，這並不意味著在那個時候它將會是機器人。它以人類的速度進行，這對大多數機器人來說是很慢的。這是第一個階段模仿學習。

然後在第二階段，機器人將運行強化學習，從自身的嘗試和錯誤中學習。機器人已經學會了任務的本質，現在只需要學習如何加快速度。這是通過強化學習可以相對較快地學習的東西。

Abbeel 說，他們的技術特別適合於對傳統軟體編程技術過於複雜的視覺和操作任務的挑戰。應用程序包括在處理諸如電線、電纜和紡織品時改變形狀的變形物體。

去年秋天，Embodied Intelligence 獲得了 700 萬美元的種子資金。Abbeel 他們一直在與 100 多家公司進行談判，以了解他們的需求，並確定是否有適合這項技術的產品，並指出該軟體對機器人的類型是不可知的。

Abbeel 說，「我們複製他們辦公室的設置，然後開始收集演示和編寫機器人的代碼來學習這些演示。然後與合作夥伴公司進行協調，以確保我們將機器人教給他們的規格。」他說，合作夥伴公司的類型包括汽車製造商、電子產品或服裝製造商、合同製造商、倉儲和物流業務，以及製藥、農業和建築業的公司。

「我們正在改變機器人的編程方式，」他說，「我們編寫模仿學習的代碼，並編寫增強學習的代碼。一旦代碼就緒，當您想要一個新的部署時，我們不會編寫新的代碼。相反，我們收集新數據。」因此，範例從新的軟體開發轉移到新的部署，到新的數據收集來進行新的部署。數據收集通常比較容易。這是一個比新的軟體工程更低的門檻。

最終，Embodied Intelligence 將讓其他人使用這個軟體，通過自己的演示來重新編程他們的機器人。這將允許任何公司都可以快速地重新部署他們的機器人來完成不同的任務。

人工智慧在雲端的大腦

顛覆性技術和工業4.0和智能家居等新興技術趨勢日益相互依存。深度學習使用圖像分類和語音識別技術的進步很大程度上依賴於大量的例子。人工智慧需要大量的數據，比大多數本地系統都要多。進入雲機器人技術，這對今天的人工智慧機器人來說是一個至關重要的因素。

雲機器人可以使信息共享，使智能，基本上是學習的技能，可以在一個連接的環境中的所有機器人上共同分享。它也允許協作，因此兩個或更多的遠程機器人，或人類-機器人團隊，可以一起工作來完成一個任務。

隨著更多的人工智慧機器人進入市場，它們將需要連接到一個共同的平台。CloudMinds 科技是一家成立於 2015 年的新公司，它希望成為一個通用平台，將自己打造為世界上第一個雲機器人運營商。

「我們之所以想創建雲計算，是因為我們覺得這是一個將我們的電信背景應用於機器人和人工智慧的機會，」聯合創始人兼總裁 Robert Zhang 表示，他們想成為機器人的運營商。

Robert Zhang 是計算力學的博士，來自三星、微軟和蘋果等消費電子巨頭。CloudMinds 吸引了包括軟銀和富士康在內的一些知名投資者。他們將為設計和銷售機器人硬體的公司提供雲平台和相關服務，就像移動網路運營商為客戶提供無線通信服務一樣。

Robert Zhang 說，他們的平台對工業機器人和消費機器人同樣適用，他們的重點是讓消費機器人更聰明。對於一個機器人來說，準備一頓飯或者疊衣服，這些都是非結構化的任務。「你不能把 AI 的能力放在機器人上。這在商業上是不可能的，因為有很多不同的任務，這就是為什麼人工智慧應該來自雲。不管機器人最初設計的是什麼，你總能讓它變得更有能力更智能」。

雲機器人運營商在全國範圍內投資了許多著名的人工智慧和機器人大學項目，包括斯坦福大學、卡內基梅隆大學、加州大學伯克利分校和哈佛大學。他們還與 Agility Robotics，Cassie 的製造商合作。他們設想了一個由數百萬機器人組成的社區，分享他們在雲計算中所學到的知識，這樣他們就能更好地照顧人類。

雲機器人、機器學習、計算機視覺、語音識別，人工智慧的所有方面都取得了進展，在特定領域取得了顯著的進步。但是人工智慧對我們沒有任何影響。

即使機器人在人工智慧和人類工程學的幫助下，有一天能夠接近我們的敏捷，他們也可能永遠無法真正地抓住周圍世界的脆弱和潛力。環境和獨創性仍將停留在人類的領域。技術既不壞也不好，而在於我們如何使用它。有了人工智慧和機器人技術，人類有巨大的潛力。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！