智能使机器人自主性达到新高度

第一个机器人在20世纪50年代末、60年代初诞生，但严格意义上它不算机器人，只是一台“可编程的物品传送设备”，它被用于移动通用汽车公司生产线上压铸机周围的产品。1954年专利的第一句话强调了本发明的可编程性和通用性，并且表明可编程性要求传感器确保程序、期望轨迹或功能和实际运动之间的一致性。

时至今日，机器人并没有完全偏离最初的概念：如今的机器人是可以进行编程的。它们需要感知自身的环境，以确保所做的事情和被设定要做的事情是一致的。而且，它们需要在自身的环境中移动。过去50-60年来所发生的变化主要是在复杂性、速度以及应用这些基本概念的领域方面有所增加。

虽然第一批机器人主要用来移动压铸件，但机器人之父约瑟夫·恩格尔伯格(Joseph Engelberger)深受阿西莫夫机器人第一定律的影响——机器人不得伤害人类，或看到人类受到伤害而袖手旁观。他把机器人部署在可以保护人类的地方。保护人类也是传感器数量不断增加的驱动力，特别是在协作机器人(cobots)或自动导引车(AGVs)中。

是什么推动着机器人产业的发展?

为了更好地理解对自主机器人的追求，让我们回顾一下Alex Wissner-Gross的“智能定律”方程式：它是一种熵力，解释了机器人学的发展趋势：

F = T ∇ Sτ

其中F指的是使未来行动自由最大化的力，T指的是定义整体强度的温度(可用资源)，以及S指的是时间范围tau内的熵。

机器人学作为一门工业和科学，其目标是通过增加嵌入式模拟智能来最大限度地提高未来机器人行动的自由度。这就需要：

有更多的传感器来获得更高精度的机器人周围环境模型。

有更好的传感器连接到控制算法(和更分散的控制算法)。

有更好的算法从传感器数据中提取尽可能多的信息。

有更好的执行器来根据控制算法的决策更快更准确地行动。

不妨看一看当今的科技领域，机器人已经获得了很大的自主性，并且正在使用来自互补性氧化金属半导体相机传感器、激光雷达和雷达的传感器来适应各种各样的应用。虽然相机的角度分辨率和动态范围比雷达大得多，但相机不能提供激光雷达所具有的动态范围，也不能在烟雾弥漫或多尘的环境中工作。

图1：工厂环境中的现代机械臂示例。

由于机器人被设计成适应最广泛应用的最灵活的选择，因而它们需要在低光、多尘或明亮的环境中工作。这种灵活性可以通过组合传感器信息——aka、传感器融合来实现。换句话说，不同传感器的信息可用于重建机器人环境的弹性表示，从而在更多应用中实现自主性。例如，如果一个相机被暂时覆盖，则其他传感器必须能够使机器人安全运行。为确保机器人能对其所处环境有全方位的了解，机器人传感器数据需要以限时的方式进行路由，并用少量的电缆连接到机器人控制器，以最大限度地提高连接的可靠性。

如今，高带宽低延迟总线主要基于低压差分信号(LVDS)。然而， LVDS接口并没有标准，这就导致传感器到控制器的生态系统出现分裂，并且使来自不同供应商的混合和匹配解决方案变得困难。一旦传感器数据被传输到机器人控制器，一系列基于深度神经网络的机器学习算法可以帮助提高机器人所处环境的精度。用深度学习教父Yann LeCun、Yoshua Bengio和Geoffrey Hinton的话说，“深度学习允许由多个处理层组成的计算模型学习具有多个抽象层的数据表示。”这些深度神经网络可以在机器人内部用于快速、实时处理，也可以在云中用于元信息收集或更复杂的推理。