虞澤凡

摘要：為了改變傳統(tǒng)機(jī)器人動(dòng)作固定，應(yīng)變能力欠缺等問題，深度學(xué)習(xí)已經(jīng)被逐漸引入到智能機(jī)器人技術(shù)當(dāng)中。深度學(xué)習(xí)技術(shù)與機(jī)器人的有機(jī)結(jié)合能設(shè)計(jì)出具有高工作效率、高實(shí)時(shí)性、高精確度的智能機(jī)器人。本文簡單介紹了傳統(tǒng)機(jī)器人技術(shù)特點(diǎn)、深度學(xué)習(xí)技術(shù)的模型與算法。重點(diǎn)介紹了深度學(xué)習(xí)在機(jī)器人聊天、機(jī)器人場景識別、機(jī)器人運(yùn)動(dòng)控制等方面的應(yīng)用。并對機(jī)器人的發(fā)展提出了一些建議。

關(guān)鍵詞：深度學(xué)習(xí);聊天機(jī)器人;場景識別;運(yùn)動(dòng)控制

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）05-0053-02

0 引言

無論是美國的制造業(yè)復(fù)興計(jì)劃，還是德國的工業(yè)4.0戰(zhàn)略以及《中國制造2025》，機(jī)器人技術(shù)作為信息化社會(huì)的新興產(chǎn)業(yè)和先進(jìn)制造業(yè)的支撐技術(shù)，將對未來服務(wù)制造業(yè)和社會(huì)發(fā)展起著越來越重要的作用。隨著計(jì)算機(jī)運(yùn)算能力的提高以及算法的進(jìn)化，深度學(xué)習(xí)技術(shù)在機(jī)器人視覺和語音識別、人機(jī)交互和動(dòng)作控制等方面取得了許多突破性的進(jìn)展，廣泛地引入深度學(xué)習(xí)技術(shù)將是未來機(jī)器人發(fā)展的必然趨勢。

1 傳統(tǒng)現(xiàn)代機(jī)器人的特點(diǎn)

傳統(tǒng)機(jī)器人以工業(yè)機(jī)器人為主，最初的工業(yè)機(jī)器人是結(jié)合機(jī)械結(jié)構(gòu)學(xué)與電工電子技術(shù)的產(chǎn)物，工業(yè)機(jī)器人由主體機(jī)械結(jié)構(gòu)、電子控制器、調(diào)控系統(tǒng)和監(jiān)測反饋傳感器組成的。傳統(tǒng)的工業(yè)機(jī)器人按事先編好的程序?qū)C(jī)器人進(jìn)行操作流程控制，使其自動(dòng)重復(fù)完成某種特定的操作[1]。在現(xiàn)有的已然投放到企業(yè)或家庭里的機(jī)器人設(shè)備中，絕大多數(shù)的機(jī)器人設(shè)備幾乎都沒有思維能力和學(xué)習(xí)能力，它們只能按照事先編寫好的代碼執(zhí)行一些既定的動(dòng)作指令，按照動(dòng)作序列次序完成一些單調(diào)重復(fù)性的工作。

2 深度學(xué)習(xí)技術(shù)

2.1 深度學(xué)習(xí)的概念

深度學(xué)習(xí)受啟發(fā)于人腦相互交叉關(guān)聯(lián)的神經(jīng)元，通過對人腦神經(jīng)網(wǎng)絡(luò)的分析和研究。模仿人腦架構(gòu)出一個(gè)含有多隱層的機(jī)器學(xué)習(xí)模型。在此模型中建立一個(gè)與人腦類似的神經(jīng)網(wǎng)絡(luò)來分析、存儲(chǔ)和處理數(shù)據(jù)，通過大規(guī)模數(shù)據(jù)進(jìn)行訓(xùn)練，得到大量更具代表性的特征信息，從而對樣本進(jìn)行分類和預(yù)測，提高分類和預(yù)測的精度。深度學(xué)習(xí)的本質(zhì)是模仿人腦的多層抽象機(jī)制為大規(guī)模數(shù)據(jù)建模提供解決方案。

2.2 深度學(xué)習(xí)模型

深度學(xué)習(xí)架構(gòu)模型的特點(diǎn)可歸納為兩點(diǎn)：（1）深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)必須具有多層神經(jīng)網(wǎng)絡(luò)的隱含層，多層隱含層的神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)后所得到的數(shù)據(jù)才具有更明顯的特征，更有利于可視化或者分類;（2）多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度問題，可以通過逐層初始化來化解[2]。

典型的深度學(xué)習(xí)模型是一個(gè)多層次的交叉神經(jīng)網(wǎng)絡(luò)。通過增加神經(jīng)網(wǎng)絡(luò)的層數(shù)可以更有效的提高神經(jīng)網(wǎng)絡(luò)的識別與表達(dá)能力。深度學(xué)習(xí)的本質(zhì)是計(jì)算觀測數(shù)據(jù)的分層特征與表示，其中高層特征因子由低層得到。深度學(xué)習(xí)是一種深層交互的非線性網(wǎng)絡(luò)結(jié)構(gòu)，通過復(fù)雜函數(shù)的逼近算法，總結(jié)數(shù)據(jù)集的本質(zhì)特征[3]。

3 深度學(xué)習(xí)的機(jī)器人的應(yīng)用

3.1 基于深度學(xué)習(xí)的聊天機(jī)器人

傳統(tǒng)的聊天機(jī)器人被稱為專家系統(tǒng)，它依托后臺龐大的數(shù)據(jù)庫構(gòu)建。傳統(tǒng)機(jī)器人在聊天時(shí)的語句通過檢索后臺數(shù)據(jù)庫產(chǎn)生，在很多情況下它不能準(zhǔn)確的理解和回答相關(guān)問題。

隨著深度學(xué)習(xí)在對人類語言理解、常用詞組向量表示、語氣情感分析、機(jī)器翻譯以及中文專業(yè)術(shù)語領(lǐng)域的應(yīng)用，聊天機(jī)器人的關(guān)鍵技術(shù)得以突破?；跐舛葘W(xué)習(xí)的聊天機(jī)器人區(qū)別于檢索式的專家系統(tǒng)聊天機(jī)器人，它的聊天內(nèi)容遷移性與泛化性更佳[4]。

基于深度學(xué)習(xí)技術(shù)的聊天機(jī)器人的深度學(xué)習(xí)過程是利用兩個(gè)機(jī)器人相互的對話交流來模擬人類的聊天過程。為不斷提高聊天的有效和準(zhǔn)確性，需對聊天的過程與內(nèi)容進(jìn)行評價(jià)，評價(jià)的決策過程包括響應(yīng)時(shí)間、語氣狀態(tài)、應(yīng)對策略、流暢度和獎(jiǎng)勵(lì)函數(shù)等多個(gè)指標(biāo)。其中獎(jiǎng)勵(lì)函數(shù)是一個(gè)核心的指標(biāo)，作為最重要目標(biāo)參數(shù)。當(dāng)每次出現(xiàn)無效的或不準(zhǔn)確的回答時(shí)，系統(tǒng)根據(jù)錯(cuò)誤程度將給出相應(yīng)的懲罰。最終，聊天系統(tǒng)在對話流暢的前提下，保證整個(gè)對話過程中的回復(fù)都是準(zhǔn)確的、有意義的。獎(jiǎng)勵(lì)函數(shù)主要評判對話過程中的信息產(chǎn)生速度、回復(fù)內(nèi)容的相關(guān)度、詞句情緒、避免尷尬等方面。

3.2 基于深度學(xué)習(xí)的機(jī)器人場景識別

傳統(tǒng)的機(jī)器人一般只進(jìn)行簡單的重復(fù)工作，其在工作過程中不需要了解所處的工作環(huán)境及環(huán)境變化，所做出的操作與流程和環(huán)境沒有直接關(guān)聯(lián)。在對機(jī)器人提出更多智能化要求的今天，機(jī)器人需要獲得工作環(huán)境中的位置數(shù)據(jù)，并實(shí)時(shí)地對工作環(huán)境及其變化進(jìn)行動(dòng)態(tài)識別。目前，通過基于視覺的場景識別與理解來構(gòu)建周圍環(huán)境，是提高其智能化水平的關(guān)鍵技術(shù)，也是工業(yè)機(jī)器人智能化的第一步。

特征提取是場景識別中的一個(gè)關(guān)鍵技術(shù)，雖然傳統(tǒng)的人工特征設(shè)計(jì)也具備一些識別功能，但是其泛化能力較弱，不足以應(yīng)對較為復(fù)雜和不斷變化的場景?；谏疃葘W(xué)習(xí)的場景識別，可以對場景進(jìn)行特征解析與訓(xùn)練，對前期識別過程中特征的漏標(biāo)注、誤標(biāo)注進(jìn)行重新標(biāo)注，并不斷對樣本進(jìn)行增強(qiáng)處理，形成新的顯著特征集。如圖1所示為基于深度學(xué)習(xí)的室內(nèi)場景識別的流程圖，這是目前較為流行的一種深度學(xué)習(xí)方法，它將深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于場景識別之中，流程先通過原圖得到高斯金字塔圖片集，然后通過區(qū)域選擇算法獲得到待測圖片的顯著區(qū)域，接著使用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合大型數(shù)據(jù)集對顯著區(qū)域的圖像進(jìn)行特征學(xué)習(xí)，特征融合后形成多層感知預(yù)測結(jié)果，從而對特征進(jìn)行場景識別判斷[5]。

3.3 深度學(xué)習(xí)機(jī)器人的運(yùn)動(dòng)控制

傳統(tǒng)的工業(yè)控制型機(jī)器人每一個(gè)階段的操作都是固定的，每一個(gè)動(dòng)作完成后，進(jìn)入下一個(gè)動(dòng)作，動(dòng)作序列都是嚴(yán)格編排的，如果前一個(gè)操作有問題或者環(huán)境發(fā)生改變，那么整個(gè)操作流程都會(huì)錯(cuò)亂、中斷。

基于深度強(qiáng)化學(xué)習(xí)的機(jī)器人控制系統(tǒng)如圖2所示，工作對象通過機(jī)器人傳感攝像頭拍攝后，形成像素級別的圖像完成原始圖像的采集，多步卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)對圖像進(jìn)行處理后，輸出中間結(jié)果，中間結(jié)果通過普通神經(jīng)網(wǎng)絡(luò)的處理輸出機(jī)器人當(dāng)前的決策網(wǎng)絡(luò)輸出計(jì)劃動(dòng)作，機(jī)器人機(jī)械部分驅(qū)動(dòng)電機(jī)馬達(dá)完成相應(yīng)動(dòng)作，環(huán)境接受到當(dāng)前動(dòng)作后，通過對照動(dòng)作效果和狀態(tài)給出相應(yīng)的獎(jiǎng)勵(lì)數(shù)值，從而對決策網(wǎng)絡(luò)進(jìn)行更新并將改變后的狀態(tài)反饋至系統(tǒng)，如此產(chǎn)生一個(gè)決策循環(huán)。

4 深度學(xué)習(xí)機(jī)器人的發(fā)展

隨著國家科研水平的不斷提高，機(jī)器人領(lǐng)域正在發(fā)生著巨大變化。未來十來年機(jī)器人的發(fā)展方向主要為仿生機(jī)器人、微型機(jī)器人、農(nóng)業(yè)機(jī)器人、云機(jī)器人和模塊化機(jī)器、助老機(jī)器人。特別是隨著人口老齡化的到來，越來越多的老人需要護(hù)理，助老機(jī)器人將是深度學(xué)習(xí)機(jī)器人的發(fā)展趨勢，也是機(jī)器人行業(yè)的朝陽產(chǎn)業(yè)。助老機(jī)器人核心技術(shù)就是讓機(jī)器人像人類通過眼睛感知世界一樣，視覺感知模塊使機(jī)器人能夠感知外界信息，通過視覺系統(tǒng)采集的信息，經(jīng)過進(jìn)一步的加工，分析和模式識別，使機(jī)器人更加的智能化。

助老機(jī)器人的人類動(dòng)作識別系統(tǒng)雛形如圖3所示[6]，其主要流程主要包括以下幾個(gè)方面：視頻與圖像的采集、抽象和處理、深度學(xué)習(xí)檢測、得到動(dòng)作識別結(jié)果，數(shù)據(jù)傳輸至云端并進(jìn)行特征圖片的推送。

5 結(jié)語

隨著大數(shù)據(jù)、云計(jì)算技術(shù)的快速發(fā)展， 未來機(jī)器人能更有效的利用云平臺更好地存儲(chǔ)資源和自主學(xué)習(xí)， 通過數(shù)量龐大的機(jī)器人共同分享學(xué)習(xí)， 疊加學(xué)習(xí)知識，深度學(xué)習(xí)技術(shù)將得到更快速有效的發(fā)展。隨著機(jī)器人在動(dòng)作識別、語音識別、情感識別中進(jìn)行深度學(xué)習(xí)，機(jī)器人將工業(yè)服務(wù)、家庭服務(wù)、航空航天等方面的能力都得到了提高，同時(shí)機(jī)器人在具體工作過程中的動(dòng)作準(zhǔn)確度、實(shí)時(shí)性、執(zhí)行力，指令執(zhí)行能力以及機(jī)器組群之間的協(xié)作配合能力得到了提高。深度學(xué)習(xí)技術(shù)在機(jī)器人中的應(yīng)用將是未來科技界的一大核心技術(shù)。

參考文獻(xiàn)

[1] 化定奇.機(jī)器人產(chǎn)業(yè)及其關(guān)鍵材料的現(xiàn)狀及趨勢[J].新材料產(chǎn)業(yè)，2016（07）：5-9.

[2] HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J].Science，2006，313（5786）：504-507.

[3] DENG L， YU D. Deep learning methods and applications[J].Foundations and Trends in Signal Processing，2014，7（34）：197-208.

[4] 梁苗苗.基于深度學(xué)習(xí)的智能聊天機(jī)器人的研究[D].浙江：浙江理工大學(xué)，2017.

[5] 張明，桂凱.基于深度學(xué)習(xí)的室內(nèi)場景識別的研究[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版），2018（16）：28-32+36.

[6] 潘與維，柳雋琰，羅伊杭，等.基于OpenCV和深度學(xué)習(xí)的助老機(jī)器人動(dòng)作識別系統(tǒng)設(shè)計(jì)[J].電子測試，2018（09）：14-16.