ICRA前沿速报制造业重新关注机械控制AI融合仍任重道远ICRA2017_[#第一枪]

雷锋网 AI 科技评论按：ICRA 全称为“IEEE International Conference on Robotics and Automation”（机器人与自动化会议），是机器人技术领域最有影响力的国际学术会议之一。ICRA 2017 于 5 月 29 日至 6月 4 日举行，雷锋网 AI 科技评论从新加坡带来一线报道。该会议举办期间，雷锋网将围绕会议议程及获奖论文展开系列专题报道，敬请期待。

今天是持续一整天的 workshop／tutorial，作为贯穿整个 ICRA 大会的重要环节，仅今天的议程就包括了两个分别为半天的 tutorial 及 11 个全天的 workshop，分别涵盖鲁棒感知、基于感知的物体抓取、亚马逊抓取挑战赛解决方案、软体机器人等多个议程。

虽然 keynote、session 等多个重磅环节明天才开始，但今天的 ICRA 2017 会场已经是热闹非常。今天的主要议程都在四楼进行，每个房间大约能容纳 100 人，雷锋网简单环顾一圈，发现基本上每个房间内都坐满了人，有的学者甚至只能站在最后听讲，但即便是这样，也抵挡不住求知的好奇。

走廊上的茶歇也成为了学者们交流的绝佳场所。来自加州伯克利大学的 Menglong Guo 告诉雷锋网，因为议程非常多且领域非常细分，他也只能走走看看。「并不是每个（领域）都很了解，也有些听不懂的名词。」看来真是隔行如隔山呢。

由于议程过多，雷锋网 AI 科技评论只能忍痛割爱，选择了比较感兴趣的一个 workshop「Sensor-Based Object Manipulation for Collaborative Assembly」（协作组装中基于传感器的物体操作）进行了解。

在过去十年里，从基于物理建模到基于传感器的学习，抑或是从个体机器人到人机协作，不论是学界还是业界，对协作组装中基于传感器的物体操作的研究兴趣与日俱增，且已经成为一个前沿研究领域。

不过这一研究方向依然面临以下问题：

1）机器装配任务需要怎样的控制策略与终端执行？如何实现改进？

2）如何模拟人与机器之间的协作，使组装任务能够效益最大化？

3）如何让协同任务借助学习的方式设计高效控制器？

而本次 workshop 便是综合学界与业界双方的意见，从协同组装任务规划、硬件优化、控制策略、机器控制学习及基于触觉，力和视觉反馈的传感器融合等多个方面尝试解决上述问题。

而邀请到现场做演讲的嘉宾包括了五位学界人士与五位产业界人士，分别是：

从邀请嘉宾可以看出，ICRA 的 workshop 对学术界与产业界同样重视，且希望在同一个平台上碰撞出思维的火花。

在上午的议程结束后， AI 科技评论与南佛罗里达大学的孙宇博士进行了交流。孙宇博士在去年曾经作为演讲嘉宾来到 CCF－GAIR 的舞台，并做了题为《机器人灵巧手抓取的复兴》的演讲，他以「如何给机器一双灵巧的手」为主体，回顾阐述了类人机器手的发展历程。那么在本次的 ICRA 上，孙宇博士又会带来怎样的最近研究进展呢？

孙宇博士表示，最近他们开始尝试用 RNN（recurrent neural network）的方式训练机器完成「倒」（pouring）的动作。倒水对于人类而言虽然是一个非常简单的过程，但是对于机器人则不然。难点在于，水的运动非常复杂，但是机器很难对此进行判断和控制。孙宇博士近期通过 RNN 模型训练机器倒水，通过判断水的流速、容器的大小反馈给力的传感器，进而让倾倒的过程变得顺畅。

训练这个动作可以让服务机器人在日常生活中的应用变得更加顺畅，尤其是烹饪机器人。孙宇博士告诉雷锋网 AI 科技评论，最经常使用的动作首先是「picking／grasping」（抓取），其次便是「pouring」。当然，pouring 并不止于倾倒液体，不论是豆子还是青菜，机器在烹饪过程中可能产生的一切倾倒动作，都不再成为问题。此外，RNN 的学习过程可以让倾倒过程更加流畅，即使没有训练过倾倒的内容和对应的倾倒容器，机器依然能够顺畅地完成这一动作。

而延伸到 ICRA 会议，孙宇博士表示，本次会议他比较惊讶的地方在于，基于制造业的推动，研究领域又重新关注起机械臂集成问题，他自己对这一变化也深有体会，在去年先后得到来自三星、华为等手机厂商的反馈，工业界组装的应用环境和目的已经发生了很大的改变，但是学者们还没有跟进这一问题的解决。

首先，传统的组装是靠磨具制造，产品的周期可能是一到两年，因此磨具的使用年限也比较长，也不需要进行更换。但如今以 3C 为代表的产品，生命周期比较短。对于手机生产商而言，可能很短时间内就会有一个小的改进，那么磨具的迭代速度也会变快。

其次，厂商可能会生产不同种类的产品，周期有长有短，那么如果基于原来的组装模式，流水线的更换也会非常频繁。而随着对灵活性的要求变高，固定的流水线已经不再适应现有的制造业。

因此，基于编程的灵活机械设备就成了制造业亟须改进的部分。但这也对机械臂的设计提出了很大的挑战，以电子产品为例，产品的精细程度非常高，因此需要基于力反馈自行进行调整。「整体而言，机器学习和深度学习在未来的应用会越来越多，但机器学习的问题就是没法 verifying，那么也就在很大程度上影响了它在物理系统上的应用。」

孙宇博士曾多次基于「bring AI into the physical world」做过演讲，「AI 在虚拟世界中已经非常厉害，深度学习之所以做得很好，一方面是因为此前的研究基础，另外就是数据的支持。但 AI 离应用于物理世界还有一段距离。我觉得主要原因有几个方面，首先是做 AI 的研究者对机器人应用的 verifying 的关注度还是会低一些，其次是机器数据收集过程并不简单。比如自动驾驶可以通过传感器收集数据进行训练，那么如果换一个传感器，数据是否需要重新收集？」因此，孙宇博士认为主要的解决方案也需要从这两个方面做起。「首先是增加 AI 研究者对机器的研究，其次是对数据的低成本获取。」以孙宇博士自己的研究项目为例，他的实验数据都是自己收集的，主要包括 RGB－D、视频、图像及动作数据等。

而在今年，孙宇博士也将来到 CCF－GAIR 大会，如果你也想到现场与孙宇博士交流，欢迎购买限时六折票参加。

环氧树脂涂层管批发

抗感染类制剂批发

婴儿指甲剪货源