深度學(xué)習(xí)對工業(yè)機(jī)器人發(fā)展的促進(jìn)作用*

劉媛

安徽電子信息職業(yè)技術(shù)學(xué)院 安徽 蚌埠 233000

1 深度學(xué)習(xí)研究概述

深度學(xué)習(xí)于20世紀(jì)80年代被首次提出，該技術(shù)衍生自人工神經(jīng)網(wǎng)絡(luò)運(yùn)作原理，通過模擬人類大腦的學(xué)習(xí)機(jī)制實(shí)現(xiàn)機(jī)器學(xué)習(xí)[1]。進(jìn)入大數(shù)據(jù)時代后，深度學(xué)習(xí)模型能夠基于大量數(shù)據(jù)樣本對信息進(jìn)行更為準(zhǔn)確的刻畫與預(yù)測，其作為人工智能技術(shù)的典型代表，成為數(shù)字化時代的重要引擎。深度學(xué)習(xí)算法即基于多隱層機(jī)器學(xué)習(xí)架構(gòu)模型的構(gòu)建，大量提取數(shù)據(jù)樣本特征信息，并經(jīng)由大規(guī)模訓(xùn)練實(shí)現(xiàn)高效且準(zhǔn)確的特征學(xué)習(xí)[2]。此過程中，模型通過對樣本數(shù)據(jù)的分揀與學(xué)習(xí)，獲取其核心發(fā)生規(guī)律與行為能力，提升處理數(shù)據(jù)的速率與準(zhǔn)確度。深度學(xué)習(xí)算法的出現(xiàn)完全改變了智能機(jī)器人應(yīng)用傳統(tǒng)語音識別技術(shù)、圖像處理技術(shù)的方式。在智能機(jī)器人領(lǐng)域，人工智能是其未來必然發(fā)展趨勢，而基于深度學(xué)習(xí)算法的機(jī)器學(xué)習(xí)從根本處理方式上改變了傳統(tǒng)機(jī)器人運(yùn)算處理路徑，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)原理使工業(yè)機(jī)器人以更高的工作效能與處理精度對外界輸入數(shù)據(jù)進(jìn)行識別與處理[3]。

2 深度學(xué)習(xí)對工業(yè)機(jī)器人發(fā)展的促進(jìn)作用

2.1 基于深度玻爾茲曼機(jī)優(yōu)化群組協(xié)作學(xué)習(xí)問題

玻爾茲曼機(jī)（簡稱BM）為隨機(jī)遞歸神經(jīng)網(wǎng)絡(luò)，其主要學(xué)習(xí)原理為基于對數(shù)據(jù)樣本的深層表示，進(jìn)而對其協(xié)作問題與學(xué)習(xí)問題予以處理[4]。而深度玻爾茲曼機(jī)是深度學(xué)習(xí)的典型代表，基于深度BM神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)多個受限波爾茲曼機(jī)的有序?qū)蛹壿斎胼敵觯瑥亩鴮?shí)現(xiàn)特征學(xué)習(xí)機(jī)器的綜合平衡協(xié)作。在工業(yè)機(jī)器人應(yīng)用領(lǐng)域中，通常會存在多個機(jī)器人互聯(lián)共享信息并同時并行工作的情況，此過程必須保證個體工業(yè)機(jī)器人實(shí)現(xiàn)同其他機(jī)器人的有效信息共享、互動。然而傳統(tǒng)工業(yè)場所機(jī)器生產(chǎn)應(yīng)用現(xiàn)狀中，難以實(shí)現(xiàn)有效協(xié)作與學(xué)習(xí)，個體機(jī)器人在保證自我學(xué)習(xí)效果的基礎(chǔ)上無法準(zhǔn)確表征數(shù)據(jù)特征，導(dǎo)致協(xié)作工作效率低下。針對于此問題，基于深度玻爾茲曼機(jī)的機(jī)器學(xué)習(xí)算法能夠使得工業(yè)機(jī)器人在協(xié)作工作狀態(tài)時，能夠及時預(yù)測處理故障信息并實(shí)現(xiàn)機(jī)器個體之間的信息互通，節(jié)省編程處理步驟，增加工業(yè)機(jī)器人群組協(xié)作學(xué)習(xí)精度[5]。

2.2 基于深度學(xué)習(xí)語言處理提升工業(yè)生產(chǎn)安全性

盡管目前工業(yè)機(jī)器人的應(yīng)用成為智能制造時代的主要熱點(diǎn)，但是其在工業(yè)生產(chǎn)過程中所存在的安全問題依然是重要隱患之一。經(jīng)相關(guān)數(shù)據(jù)統(tǒng)計(jì)發(fā)現(xiàn)，機(jī)器人所致安全事故在生產(chǎn)事故中占比相對較高，而機(jī)器人傷人事件也屢見不鮮[6]。此類安全事故的發(fā)生并非偶然，其中操作者人為失誤為主要原因，另一方面還是由于工業(yè)機(jī)器人智能化程度低，其在自適應(yīng)機(jī)器視覺以及模式識別方面并不成熟。深度學(xué)習(xí)算法應(yīng)用以前，工業(yè)機(jī)器人多采用傳統(tǒng)語音信號通信技術(shù)，其在識別率方面依然存在很大提升局限[7]。而基于深度學(xué)習(xí)的智能語言處理算法對于工業(yè)機(jī)器人工作安全性的提升有顯著推動作用，其在未來發(fā)展中將成為促進(jìn)計(jì)算機(jī)與人類實(shí)現(xiàn)高效交互的主要渠道。

2.3 基于群體組合特性學(xué)習(xí)解決智能通信問題

信息融合技術(shù)是工業(yè)機(jī)器通信技術(shù)的核心，其主要依托于分布在機(jī)器人作業(yè)臂或功能部件之上的傳感器而實(shí)現(xiàn)。而工業(yè)機(jī)器人群組之間之所以能夠?qū)崿F(xiàn)通信與交互，主要就是利用所收集到的信息進(jìn)行準(zhǔn)確的數(shù)據(jù)編解碼，繼而由主控制平臺調(diào)用不同指令程序發(fā)出交互命令[8]。傳統(tǒng)工業(yè)機(jī)器人中盡管能夠基本實(shí)現(xiàn)簡單的信息交互，但是卻不具有深度信息分析與融合的處理技術(shù)。因此，當(dāng)工作面由于外界因素導(dǎo)致突發(fā)情況時，工業(yè)機(jī)器人無法進(jìn)行智能化感知分析并以即時通信的方式“通知”生產(chǎn)線其他機(jī)器人，不利于生產(chǎn)工作的高效開展。基于深度學(xué)習(xí)算法的交互通信技術(shù)能夠?yàn)闄C(jī)器人系統(tǒng)提供以目標(biāo)驅(qū)動為基礎(chǔ)的技術(shù)支持，基于生產(chǎn)線機(jī)器人系統(tǒng)群組的組合特性學(xué)習(xí)，其將對工作場景環(huán)境特征以及學(xué)習(xí)任務(wù)做出更為準(zhǔn)確的反應(yīng)，并實(shí)現(xiàn)即時、可靠的生產(chǎn)線智能通信。

圖1 基于生產(chǎn)線的智能分揀工業(yè)機(jī)器人

3 深度學(xué)習(xí)在工業(yè)機(jī)器人中的實(shí)際應(yīng)用

3.1 工業(yè)服務(wù)

智能工業(yè)機(jī)器人能夠在較為復(fù)雜的工業(yè)生產(chǎn)活動中，代替人類進(jìn)行一些精密程度或危險(xiǎn)系數(shù)較高的生產(chǎn)工作。例如基于深度學(xué)習(xí)算法的智能挖掘機(jī)器人，能夠依托于多類視覺傳感器自主構(gòu)建作業(yè)環(huán)境地圖，并通過前期處理、灰度化處理、特征信息提取、中值濾波過濾等操作，完成圖像檢測，繼而利用深度學(xué)習(xí)算法對圖像進(jìn)行處理，得到更為精密的圖像分類與邊緣特征識別結(jié)果，并在此基礎(chǔ)上實(shí)現(xiàn)準(zhǔn)確的挖掘目標(biāo)跟蹤與檢測[9]。下表1所列為智能工業(yè)機(jī)器人目標(biāo)識別系統(tǒng)的主要構(gòu)成。

表1 智能工業(yè)機(jī)器人目標(biāo)識別系統(tǒng)的主要構(gòu)成

3.2 場景識別

傳統(tǒng)工業(yè)機(jī)器人所開展的工作往往具有單一性與重復(fù)性，因此其在工作過程中無須對外界環(huán)境的動態(tài)變化做出自適應(yīng)反饋。隨著深度學(xué)習(xí)機(jī)器算法的研發(fā)與應(yīng)用，工業(yè)機(jī)器人的應(yīng)用場合對于其場景識別能力提出了更高的要求，其不僅需要獲取工作環(huán)境的位置信息，同時須能夠?qū)ιa(chǎn)線中所出現(xiàn)的場景變化進(jìn)行動態(tài)識別，并基于模型訓(xùn)練過程與特征提取結(jié)果對場景任務(wù)進(jìn)行自適應(yīng)解析，從而不斷更新顯著特征集，改進(jìn)與優(yōu)化前期識別過程中的非正常判定或錯漏標(biāo)注，提升工業(yè)生產(chǎn)的智能化程度。

3.3 運(yùn)動控制

基于工業(yè)生產(chǎn)線作業(yè)的工業(yè)機(jī)器人在不同生產(chǎn)階段具有不同的工作任務(wù)，而其內(nèi)設(shè)程序指令中，對每階段所需要進(jìn)行的動作已經(jīng)進(jìn)行明確設(shè)置及嚴(yán)格編排，當(dāng)其受到未在預(yù)設(shè)規(guī)定內(nèi)的操作影響時極易導(dǎo)致操作流程發(fā)生混亂，延誤生產(chǎn)進(jìn)程。而基于深度學(xué)習(xí)的工業(yè)機(jī)器人控制系統(tǒng)，能夠在此過程中基于多步卷積神經(jīng)網(wǎng)絡(luò)對其所處狀態(tài)進(jìn)行識別和處理，并將決策結(jié)果輸出至機(jī)器人機(jī)械部分，控制其驅(qū)動動作，繼而基于其動作結(jié)果反饋適應(yīng)性做出獎勵，并更新決策網(wǎng)絡(luò)，由此通過決策循環(huán)的方式使得工業(yè)機(jī)器人的運(yùn)動控制更加能夠適應(yīng)于動態(tài)性工業(yè)生產(chǎn)場景[10]。

4 深度學(xué)習(xí)與工業(yè)機(jī)器人的未來發(fā)展

隨著智能機(jī)器人的不斷發(fā)展，工業(yè)機(jī)器人將會在計(jì)算方法方面更加趨向于與大數(shù)據(jù)計(jì)算技術(shù)、深度學(xué)習(xí)算法、云計(jì)算技術(shù)結(jié)合應(yīng)用的趨勢發(fā)展，應(yīng)用載體主要為微型機(jī)器人、仿生機(jī)器人、模塊化機(jī)器人等，而機(jī)器人也將逐步呈現(xiàn)領(lǐng)域交叉融合性、定制化、服務(wù)性等特征。不僅如此，機(jī)器人群組將能夠?qū)崿F(xiàn)更為高效化的共同學(xué)習(xí)以及智能通信，使得特征訓(xùn)練學(xué)習(xí)成果能夠?qū)崿F(xiàn)即時共享，從而保證數(shù)據(jù)分析決策結(jié)果的高效性與可靠性，顯著提升工業(yè)生產(chǎn)效率。因此，基于深度學(xué)習(xí)算法的機(jī)器人控制系統(tǒng)的研究重點(diǎn)側(cè)重于遞歸神經(jīng)網(wǎng)絡(luò)方向，以更好地解決目前機(jī)器人任務(wù)完成過程中所出現(xiàn)的動態(tài)化目標(biāo)跟蹤以及變形、遮擋問題。隨著科研水平的進(jìn)步，工業(yè)機(jī)器人將以更加智能化的模式識別系統(tǒng)，實(shí)現(xiàn)仿人類神經(jīng)網(wǎng)絡(luò)式的自適應(yīng)學(xué)習(xí)與決策模式。同時在工業(yè)機(jī)器人的生產(chǎn)與研發(fā)過程中，也存在一些亟待解決的重要問題。例如，難以構(gòu)成體系化的產(chǎn)業(yè)鏈?zhǔn)钱?dāng)前我國機(jī)器人生產(chǎn)的主要困境，不僅如此，工業(yè)機(jī)器人性能穩(wěn)定性、系統(tǒng)安全性、通信協(xié)議可靠性、資源統(tǒng)籌合理性、交叉融合性等，都是在未來深度學(xué)習(xí)算法與工業(yè)機(jī)器人結(jié)合應(yīng)用發(fā)展進(jìn)程中所必須要解決的重點(diǎn)。

5 結(jié)束語

深度學(xué)習(xí)算法自出現(xiàn)以來就已經(jīng)成為智能研究領(lǐng)域的熱點(diǎn)，盡管在目前深度學(xué)習(xí)算法依然還未發(fā)展成熟，但是其對于智能化信息識別處理以及機(jī)器人發(fā)展將起到至關(guān)重要的引擎驅(qū)動作用。從目前應(yīng)用來看，深度學(xué)習(xí)技術(shù)的出現(xiàn)已極大地推動了工業(yè)機(jī)器人的智能化發(fā)展進(jìn)程，我們有理由相信其將在未來智能制造時代發(fā)揮出巨大的潛力。