3D掃描世界蓄勢待發

當年微軟開發Kinect 3D傳感器的時候，其中一個關鍵性的任務就是校準算法，以便迅速、準確地識別人體各部位，尤其是手部，以確保Kinect適用于任何家庭環境，任何年齡的人群，任何穿著和任何背景物。使用基于計算機的方法做校準具有其局限性，原因在于在Kinect生成的圖像中電腦可能無法識別手部，或錯誤地識別了手部的存在。因此，微軟此前宣布要向全人類求助，借助亞馬遜的土耳其機器人完成圖像標記識別。這是一個在線的服務，公眾通過執行簡單但計算機不擅長的任務而獲得報酬。結果，Kinect現在能識別所有（或大多數）樣子的手。這實在太棒了！

當然，如果你唯一關心的只是基于手部動作的游戲，你會認為這是一個天大的好消息，但是從商業機器人角度看，手部只是我們需要機器識別的成千上萬的“東西”之一。試想一下，如果一個機器人能迅速地識別家里、辦公室或工廠里的任何對象：機器人看到或接觸的任何東西都能被馬上識別出來。這才是個真正偉大的進步。

所以問題是：我們能不能實現這一目標？我們可以用某種方式自動識別或依靠公眾識別一切潛在的對象嗎？

這種類型的數據收集涉及到一個先有雞還是先有蛋的問題：如果你有一個對象均被恰當標記的數據庫，基于存儲在數據庫的“知識系統”，你便可以開始構建各類應用程序，而這些應用程序反過來又可以生成更多的數據，讓你進一步完善數據庫的“知識系統”。問題是，你第一步需要一個數據庫！有時候，企業會認為建立這套數據庫是很有價值的。比如Kinect之于微軟。另一個例子是谷歌的“語音指令”，通過語音讓系統執行搜索、發電子郵件以及其他任務。每次你說出一個詞，你的Android手機就會問：“你的意思是……嗎？”然后提供一個字詞列表供你選擇想要表達的意思，在這個過程中，你幫助完善了谷歌得語音識別系統。隨著時間的推移，不同人講話模式的變化和細節都會作為語音數據被捕獲，使數據庫更貼近實際的語言使用習慣。沒有這種持續改進，語音到文本將永遠不會成為一個智能便利的應用。

現在回到機器人技術的問題上。我認為機器人研究團體應更加關注數據的重要性。機器人技術涉及的很多東西都需要一個大規模的數據庫（需要強調大規模），以實現技術上的可行性（譬如對象識別），因此這項功能不能依賴純理論研究、機器人專家或算法，而必須掌握“切向技術”的市場趨勢，例如網絡或智能手機。因此，為了讓機器人技術能有實現的一天，我們需要關注具有收集海量數據能力的技術，為了機器人技術以外的需求，也為了在技術成熟的時候把它應用在機器人技術上。

其實，我們最需要的數據類型是3D數據。那么，我們該如何收集每一個潛在對象的3D數據呢？幸運的是，一個大規模的關于Kinect感應器的駭客社區，以及像MatterPort這樣的創業公司正在實現快速3D渲染技術，只需要使用Kinect從幾個角度拍攝對象不同的圖像就可以實現。這項技術現在還不成熟，不過隨著傳感器和算法的改進，你能預見用3D技術再現一個場景就會像拍一張照片般容易。其他能夠同時補抓光的強度和角度、允許用戶在已經拍好的照片重新調焦的技術，如Lytro和其他“計算機攝像頭”，同樣可以實現 3D圖像的生成。

正如我在上文提到，機器人專家不可能單獨完成所有的3D掃描。我們希望其他技術能推動這一趨勢的發展。因此，這里是一個想法。如果在線零售商看到通過展示商品細致3D模型帶動銷售的商業價值（而不是過去我們在網站看到的二維圖像），并為圖像標記諸如顏色、重量、功能的描述，那么成千上萬的物品原則上都能被機器搜索。Google在2010年的IEEE機器人與仿生學國際會議上提出過一個相似的想法，并在去年五月的Google I/O開發者大會重申了這個見解。也許不僅網絡零售商能供應3D掃描，消費者也可以，只要他們意識到在eBay上傳3D圖像進行銷售是更有效的生財之道。

如果這種情況成為現實，那么所有的3D圖像將可以聚合成一個的數據庫，讓機器人可以便捷地使用它作為參考。一個機器人將收集眼前一個物體的3D傳感數據，然后與參考圖像進行匹配。隨著時間的推移和反饋數據（譬如“是的，羅西，這是一個盤子”）的累積，機器人的目標識別能力將不斷提高。

所以，如果你想要更智能的機器人，你應該開始要求在線零售商提供其產品的3D掃描， 并開始創建自己的掃描。有了這些數據，機器人終有一天能夠認識和理解世界上我們熟悉的東西。（文章授權來自于國際電子電氣工程師協會《Spectrum》期刊）