3
| 本文作者： 宗仁 | 2016-07-15 17:24 |
很多人都知道, 将机器学习应用于实体机器人是充满挑战的，因为控制行为远比辨认图片中的物体复杂得多。比如让工业机器人自学”抓取多种物品，让工业机器人通过看视频学会调制鸡尾酒，让工业机器人也用上自学习软件，在训练完一个加载在机器人上的机器学习系统后，还要将这个机器学习系统与特殊的机器人动作相适应，来达到工业机器人非常讲究地工业机器人和环境的融合。
但在工业机器人创新创业者眼里，这条路是不可避免的。近日在东莞举办的李群自动化年度发布会上，他们聘任了新的首席科学家Frank C.Park，韩国国立大学机电系教授。在演讲过程中，以一个生动的PPT向我们展示了工业机器人中的机器学习和也可以相当完美。以下是雷锋网截取的精华内容：
三菱电机的Kodaira说过，机器人行业迫切需要系统集成方面的创新，工业机器人只是一个部件，只有整合到系统里它才有价值。但是每个系统都需要专门定制，与其它系统的链接也需要花功夫。因此，整个工业机器人系统的成本往往是3倍到20倍机器人硬件的成本。而这其中，软件规划一项至少占了40%。
要打造符合时代趋势更好的工业机器人（工业机器人库），我们需要通过软件来提高。这其中包括最优规划生成（用最少的时间，损耗最小的能量）；任务的制定和优化；模拟（机器人工作单元中的模拟，工厂中的模拟）。
这张图是韩国工业机器人的发展历史：从韩国2002年出现韩国现代六轴机器人到现在irLib 2016极力推崇的动作规划。
这里我要讲的是，irLib除了单个机器人的优化，还能应用于多机器人，多任务的优化。具体包括，在多机器人多任务中，确定机器人的最佳位置，多机器人协同的任务。
下面以端到端的能量轨迹举例。在一个正常的机械臂中，输入扭矩减少30%－40%，能量损失就会减少5-6%。
当然，除了优化，工业机器人中的检验也很重要。
这时候今年各种AI会议上大热的机器学习就派上用场了，机器学习在检验中的重要性不言而喻。比如，基于视觉的机器学习，在查看智能机屏幕，产品标签时都要大量用到。比如，基于声音的机器学习，在检查耳机孔质量的时候能够用到。比如，在瓶口纹路检验的时候能够用到。
换而言之，只要是有感官输入的地方，都能在检验系统里用到相关的机器学习。最后，我想表达的是，我们的目标就是通过更先进的软件和算法，来达到更好的工业自动化。
在工业机器人中加入机器学习，根据业内人士的说法，目前还只是一个噱头多过于实践的现状。但也有一些人欣然尝试，比如去年十二月份，Fanuc在东京国际机器人展览会上就展示了一台经强化学习训练的机器人，这个机器人使用了一种名为深度强化学习的技术，来训练它自己，可随时学习新的任务。它在尝试拾起物品的同时，能够抓取这个过程的录像。不管每次它是成功了还是失败了，它都会记住物品长什么样的，用它学到的知识改进控制它行动的深度学习模型或大型神经网络。
但面对现在柔性化生产越来越高的呼声，我们不能再像过去一样，让工业机器人要执行一个复杂的新任务时，就花上数周时间来重新编程，可以想象，如果机器人能够在胜任新工作之前看着别人先做一遍就“学会“这个新动作，这会让现在的工业机器人生产过程产生质的变化。也会让我们在工业4.0的赶超大潮中，不再跟国外的差距那么大。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
