0
| 本文作者： 奕欣 | 2017-05-29 21:43 | 專題：ICRA 2017：創新、創業和解決方法 |
雷鋒網 AI 科技評論按：ICRA 全稱為“IEEE International Conference on Robotics and Automation”（機器人與自動化會議），是機器人技術領域最有影響力的國際學術會議之一。ICRA 2017 于 5 月 29 日至 6月 4 日舉行，雷鋒網 AI 科技評論從新加坡帶來一線報道。該會議舉辦期間，雷鋒網將圍繞會議議程及獲獎論文展開系列專題報道，敬請期待。
今天是持續一整天的 workshop／tutorial，作為貫穿整個 ICRA 大會的重要環節，僅今天的議程就包括了兩個分別為半天的 tutorial 及 11 個全天的 workshop，分別涵蓋魯棒感知、基于感知的物體抓取、亞馬遜抓取挑戰賽解決方案、軟體機器人等多個議程。
雖然 keynote、session 等多個重磅環節明天才開始，但今天的 ICRA 2017 會場已經是熱鬧非常。今天的主要議程都在四樓進行，每個房間大約能容納 100 人，雷鋒網簡單環顧一圈，發現基本上每個房間內都坐滿了人，有的學者甚至只能站在最后聽講，但即便是這樣，也抵擋不住求知的好奇。
走廊上的茶歇也成為了學者們交流的絕佳場所。來自加州伯克利大學的 Menglong Guo 告訴雷鋒網，因為議程非常多且領域非常細分，他也只能走走看看。「并不是每個（領域）都很了解，也有些聽不懂的名詞。」看來真是隔行如隔山呢。
由于議程過多，雷鋒網 AI 科技評論只能忍痛割愛，選擇了比較感興趣的一個 workshop「Sensor-Based Object Manipulation for Collaborative Assembly」（協作組裝中基于傳感器的物體操作）進行了解。
在過去十年里，從基于物理建模到基于傳感器的學習，抑或是從個體機器人到人機協作，不論是學界還是業界，對協作組裝中基于傳感器的物體操作的研究興趣與日俱增，且已經成為一個前沿研究領域。
不過這一研究方向依然面臨以下問題：
1）機器裝配任務需要怎樣的控制策略與終端執行？如何實現改進？
2）如何模擬人與機器之間的協作，使組裝任務能夠效益最大化？
3）如何讓協同任務借助學習的方式設計高效控制器？
而本次 workshop 便是綜合學界與業界雙方的意見，從協同組裝任務規劃、硬件優化、控制策略、機器控制學習及基于觸覺，力和視覺反饋的傳感器融合等多個方面嘗試解決上述問題。
而邀請到現場做演講的嘉賓包括了五位學界人士與五位產業界人士，分別是：
從邀請嘉賓可以看出，ICRA 的 workshop 對學術界與產業界同樣重視，且希望在同一個平臺上碰撞出思維的火花。
在上午的議程結束后，雷鋒網 AI 科技評論與南佛羅里達大學的孫宇博士進行了交流。孫宇博士在去年曾經作為演講嘉賓來到 CCF－GAIR 的舞臺，并做了題為《機器人靈巧手抓取的復興》的演講，他以「如何給機器一雙靈巧的手」為主體，回顧闡述了類人機器手的發展歷程。那么在本次的 ICRA 上，孫宇博士又會帶來怎樣的最近研究進展呢？
孫宇博士表示，最近他們開始嘗試用 RNN（recurrent neural network）的方式訓練機器完成「倒」（pouring）的動作。倒水對于人類而言雖然是一個非常簡單的過程，但是對于機器人則不然。難點在于，水的運動非常復雜，但是機器很難對此進行判斷和控制。孫宇博士近期通過 RNN 模型訓練機器倒水，通過判斷水的流速、容器的大小反饋給力的傳感器，進而讓傾倒的過程變得順暢。
訓練這個動作可以讓服務機器人在日常生活中的應用變得更加順暢，尤其是烹飪機器人。孫宇博士告訴雷鋒網 AI 科技評論，最經常使用的動作首先是「picking／grasping」（抓取），其次便是「pouring」。當然，pouring 并不止于傾倒液體，不論是豆子還是青菜，機器在烹飪過程中可能產生的一切傾倒動作，都不再成為問題。此外，RNN 的學習過程可以讓傾倒過程更加流暢，即使沒有訓練過傾倒的內容和對應的傾倒容器，機器依然能夠順暢地完成這一動作。
而延伸到 ICRA 會議，孫宇博士表示，本次會議他比較驚訝的地方在于，基于制造業的推動，研究領域又重新關注起機械臂集成問題，他自己對這一變化也深有體會，在去年先后得到來自三星、華為等手機廠商的反饋，工業界組裝的應用環境和目的已經發生了很大的改變，但是學者們還沒有跟進這一問題的解決。
首先，傳統的組裝是靠磨具制造，產品的周期可能是一到兩年，因此磨具的使用年限也比較長，也不需要進行更換。但如今以 3C 為代表的產品，生命周期比較短。對于手機生產商而言，可能很短時間內就會有一個小的改進，那么磨具的迭代速度也會變快。
其次，廠商可能會生產不同種類的產品，周期有長有短，那么如果基于原來的組裝模式，流水線的更換也會非常頻繁。而隨著對靈活性的要求變高，固定的流水線已經不再適應現有的制造業。
因此，基于編程的靈活機械設備就成了制造業亟須改進的部分。但這也對機械臂的設計提出了很大的挑戰，以電子產品為例，產品的精細程度非常高，因此需要基于力反饋自行進行調整。「整體而言，機器學習和深度學習在未來的應用會越來越多，但機器學習的問題就是沒法 verifying，那么也就在很大程度上影響了它在物理系統上的應用。」
孫宇博士曾多次基于「bring AI into the physical world」做過演講，「AI 在虛擬世界中已經非常厲害，深度學習之所以做得很好，一方面是因為此前的研究基礎，另外就是數據的支持。但 AI 離應用于物理世界還有一段距離。我覺得主要原因有幾個方面，首先是做 AI 的研究者對機器人應用的 verifying 的關注度還是會低一些，其次是機器數據收集過程并不簡單。比如自動駕駛可以通過傳感器收集數據進行訓練，那么如果換一個傳感器，數據是否需要重新收集？」因此，孫宇博士認為主要的解決方案也需要從這兩個方面做起。「首先是增加 AI 研究者對機器的研究，其次是對數據的低成本獲取。」以孫宇博士自己的研究項目為例，他的實驗數據都是自己收集的，主要包括 RGB－D、視頻、圖像及動作數據等。
而在今年，孫宇博士也將來到 CCF－GAIR 大會，如果你也想到現場與孫宇博士交流，歡迎購買限時六折票參加。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
