□沈玉玲 □楊俊杰 □丘盛昌

上海電氣集團(tuán)股份有限公司 中央研究院 上海 200070

1 研究背景

20世紀(jì)50年代，人工智能概念被提出。直到近十年，人工智能才得到了爆發(fā)式發(fā)展，這主要?dú)w功于大數(shù)據(jù)技術(shù)、云計(jì)算和圖形處理器技術(shù)的突破。實(shí)現(xiàn)人工智能的方法稱(chēng)之為機(jī)器學(xué)習(xí)，可以利用大量數(shù)據(jù)和算法的自我練習(xí)，從而獲取某種認(rèn)知技能。傳統(tǒng)的機(jī)器學(xué)習(xí)算法有決策樹(shù)、歸納邏輯、聚類(lèi)和強(qiáng)化學(xué)習(xí)等，這些經(jīng)典的淺層算法在語(yǔ)言、文字和數(shù)字識(shí)別分類(lèi)方面具有很好的辨識(shí)效果，但無(wú)法有效地解決線性不可分問(wèn)題，容易出現(xiàn)局部最優(yōu)和過(guò)度擬合現(xiàn)象[1-2]。2006年，深度學(xué)習(xí)概念出現(xiàn)，突破了技術(shù)瓶頸，成為實(shí)現(xiàn)機(jī)器學(xué)習(xí)的有效方法。從人工智能到深度學(xué)習(xí)，人工智能技術(shù)發(fā)展進(jìn)程如圖1所示。目前，眾多互聯(lián)網(wǎng)公司和科研機(jī)構(gòu)都投身于深度學(xué)習(xí)理論及應(yīng)用的研究，深度學(xué)習(xí)已成為最熱門(mén)的人工智能研究領(lǐng)域之一。

圖1 人工智能技術(shù)發(fā)展進(jìn)程

2 深度學(xué)習(xí)算法概述

深度學(xué)習(xí)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的有效方法，采用無(wú)監(jiān)督式或半監(jiān)督式方法對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)。經(jīng)常使用的深度學(xué)習(xí)算法開(kāi)源軟件框架有八種，分別為T(mén)ensorFlow、Torch、Caffe、Theano、Deeplearning4j、MXNet、Chainer、ConvNetJS），每種軟件框架在網(wǎng)絡(luò)與模型能力、可擴(kuò)展性、硬件利用率和跨平臺(tái)等方面各有優(yōu)勢(shì)，選擇何種軟件框架取決于應(yīng)用場(chǎng)景與開(kāi)發(fā)者的自身需求。

近幾年來(lái)，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了巨大成功，尤其是在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理、信息搜索及生物信息學(xué)等方面表現(xiàn)優(yōu)異，與此同時(shí)，深度學(xué)習(xí)在機(jī)器人視覺(jué)領(lǐng)域的應(yīng)用前景也越來(lái)越被關(guān)注。

3 深度學(xué)習(xí)算法應(yīng)用方向

3.1 工件分揀

機(jī)器人等智能裝備與視覺(jué)技術(shù)的結(jié)合已經(jīng)屢見(jiàn)不鮮[3-4]，機(jī)器人通過(guò)模式學(xué)習(xí)、特征分析、形狀匹配等傳統(tǒng)圖像識(shí)別方法，已可實(shí)現(xiàn)對(duì)工件的快速識(shí)別及定位，尤其是在工件分揀工序中取得成功應(yīng)用，大幅提升了工作效率，并節(jié)省了人工成本。然而，針對(duì)復(fù)雜工件的自動(dòng)分揀，傳統(tǒng)的圖像識(shí)別算法卻很難實(shí)現(xiàn)，定位精度、識(shí)別準(zhǔn)確性及實(shí)時(shí)性等方面均面臨挑戰(zhàn)。深度學(xué)習(xí)不僅可以提升工件分揀的快速性與準(zhǔn)確性，還可以實(shí)現(xiàn)工件表面缺陷識(shí)別與標(biāo)注、次品分揀及工件裝配檢查等。

在工件分揀方面，最常用的方法是深度學(xué)習(xí)與圖像處理技術(shù)的結(jié)合。由機(jī)器人視覺(jué)系統(tǒng)獲取圖像信息，再經(jīng)灰度化、濾波、最大類(lèi)間方差法二值化等圖像處理過(guò)程，應(yīng)用已訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行定位分類(lèi)，可實(shí)現(xiàn)工件的快速準(zhǔn)確識(shí)別。這種深度學(xué)習(xí)的視覺(jué)識(shí)別及定位算法[5-6]，直接從目標(biāo)抓取位置判別這一本質(zhì)問(wèn)題入手，通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)抓取位姿的最優(yōu)判別，在不同形狀和不同擺放方向的工件判別、定位與抓取測(cè)試中，均取得良好的效果。

第二種方法是利用增強(qiáng)學(xué)習(xí)技術(shù)使機(jī)器人在應(yīng)用場(chǎng)景中進(jìn)行自主學(xué)習(xí)，無(wú)需任何關(guān)于環(huán)境的先驗(yàn)知識(shí)，通過(guò)端對(duì)端訓(xùn)練，在不斷嘗試、犯錯(cuò)的過(guò)程中學(xué)習(xí)新技能。發(fā)那科公司利用深度學(xué)習(xí)實(shí)現(xiàn)機(jī)器臂免示教散件分揀，在不向系統(tǒng)輸入任何工件吸附部位的前提下，僅基于深度學(xué)習(xí)網(wǎng)絡(luò)不斷試錯(cuò)，耗時(shí)8 h，完成了5 000份樣本的學(xué)習(xí)，將分揀的成功率提高了90%。

3.2 控制規(guī)劃

深度學(xué)習(xí)在控制領(lǐng)域的研究已經(jīng)覆蓋了控制系統(tǒng)的各個(gè)環(huán)節(jié)，從傳感器狀態(tài)的特征提取，到被控對(duì)象的系統(tǒng)參數(shù)辨識(shí)，再到控制器策略的解算，均有展現(xiàn)深度學(xué)習(xí)優(yōu)勢(shì)的空間。其中，深度學(xué)習(xí)在控制目標(biāo)識(shí)別過(guò)程中的應(yīng)用案例比較常見(jiàn)，如在機(jī)械手抓取物體的過(guò)程中對(duì)被抓取物體位置的識(shí)別等[7-9]。

利用深度學(xué)習(xí)進(jìn)行控制策略的解算，相關(guān)文獻(xiàn)中研究成果越來(lái)越多。有學(xué)者嘗試用深度置信網(wǎng)絡(luò)（DBN）模型代替比例積分微分（PID）控制器，DBN的網(wǎng)絡(luò)參數(shù)通過(guò)PID控制器的輸入輸出數(shù)據(jù)進(jìn)行訓(xùn)練得出。訓(xùn)練完成后的DBN模型代替PID控制器，試驗(yàn)結(jié)果雖然顯示DBN的控制性能與傳統(tǒng)PID控制器相比并未占優(yōu)勢(shì)，但是印證了深度學(xué)習(xí)模型作為控制器應(yīng)用的可能性。

在運(yùn)動(dòng)控制方面，深度學(xué)習(xí)在移動(dòng)機(jī)器人路徑規(guī)劃方面已有應(yīng)用。區(qū)別于傳統(tǒng)的路徑規(guī)劃方法，應(yīng)用深度學(xué)習(xí)并非解決優(yōu)化問(wèn)題，而是利用深度學(xué)習(xí)的自行學(xué)習(xí)特征，結(jié)合端對(duì)端架構(gòu)，直接用圖像輸入控制機(jī)器人運(yùn)動(dòng)，輸出路徑序列。

3.3 故障診斷與預(yù)測(cè)

由于大型裝備內(nèi)部部件之間有錯(cuò)綜復(fù)雜的耦合關(guān)系，運(yùn)用傳統(tǒng)故障診斷方法對(duì)單一設(shè)備或系統(tǒng)進(jìn)行建模分析，很容易出現(xiàn)誤診和漏診。鑒于深度學(xué)習(xí)算法在特征提取與模式識(shí)別等方面的顯著優(yōu)勢(shì)，許多專(zhuān)家學(xué)者不斷嘗試將深度學(xué)習(xí)用于解決不同領(lǐng)域的技術(shù)難題。目前，深度學(xué)習(xí)算法已成功應(yīng)用于發(fā)電機(jī)、齒輪箱、飛機(jī)、變壓器、滾動(dòng)軸承等工業(yè)系統(tǒng)或裝備的故障診斷中[10-11]。

經(jīng)典的深度學(xué)習(xí)基本模型框架，包括卷積神經(jīng)網(wǎng)絡(luò)（RNN）、DBN和遞歸神經(jīng)網(wǎng)絡(luò)（CNN）等，均可實(shí)現(xiàn)故障診斷[12]。CNN和DBN都非常擅長(zhǎng)處理大數(shù)據(jù)，而從海量數(shù)據(jù)中進(jìn)行特征識(shí)別，提取蘊(yùn)含的信息，正是未來(lái)深度學(xué)習(xí)故障診斷的熱點(diǎn)方向。RNN的特點(diǎn)在于充分考慮了數(shù)據(jù)樣本之間的關(guān)聯(lián)性，相對(duì)其它方法，大大提高了故障診斷的效率，非常適合處理復(fù)雜裝備和系統(tǒng)的實(shí)時(shí)故障診斷問(wèn)題。

除此之外，利用深度學(xué)習(xí)算法進(jìn)行智能裝備的健康趨勢(shì)預(yù)測(cè)，提前對(duì)裝備故障進(jìn)行預(yù)警，也是值得關(guān)注的應(yīng)用方向之一。

3.4 智能機(jī)器人

智能機(jī)器人需要具備三要素：感覺(jué)、運(yùn)動(dòng)和思考，即能夠感受周?chē)沫h(huán)境狀態(tài)，通過(guò)獲取的信息，進(jìn)行主動(dòng)思考，并作出反應(yīng)性動(dòng)作。能夠自主判斷、推理和規(guī)劃是智能機(jī)器人發(fā)展的終極目標(biāo)。智能機(jī)器人涉及多學(xué)科的先進(jìn)技術(shù)，包括運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)、傳感與控制、模式識(shí)別、人工智能等，深度學(xué)習(xí)等人工智能技術(shù)為機(jī)器人的智能化發(fā)展提供了新思路[13-14]。

在機(jī)器人感知系統(tǒng)中，可充分發(fā)揮深度學(xué)習(xí)在圖像識(shí)別、語(yǔ)音及語(yǔ)義識(shí)別方面的技術(shù)優(yōu)勢(shì)，進(jìn)行目標(biāo)的識(shí)別跟蹤或障礙物的主動(dòng)規(guī)避。在機(jī)器人的運(yùn)動(dòng)控制系統(tǒng)中，可通過(guò)端對(duì)端學(xué)習(xí)進(jìn)行運(yùn)動(dòng)路徑的規(guī)劃設(shè)計(jì)。在機(jī)器人的思考環(huán)節(jié)，通過(guò)強(qiáng)化學(xué)習(xí)，引入獎(jiǎng)勵(lì)函數(shù)，對(duì)機(jī)器人在給定環(huán)境下的行為反應(yīng)進(jìn)行評(píng)分反饋，從而達(dá)到引導(dǎo)思考和決策的目的。

4 應(yīng)用難點(diǎn)

深度學(xué)習(xí)算法在智能裝備中的應(yīng)用，機(jī)遇與挑戰(zhàn)并存，有不少亟待解決的瓶頸問(wèn)題。

4.1 訓(xùn)練樣本庫(kù)

近年來(lái)，深度學(xué)習(xí)技術(shù)在無(wú)人駕駛等應(yīng)用領(lǐng)域得到了迅猛發(fā)展，這些領(lǐng)域均有足夠的樣本數(shù)據(jù)來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型，而深度學(xué)習(xí)技術(shù)在智能裝備中的應(yīng)用相對(duì)滯后，其中一個(gè)原因就是缺少樣本數(shù)據(jù)。以訓(xùn)練機(jī)器人的抓握能力為例，首先要建立一個(gè)機(jī)器學(xué)習(xí)模型，使機(jī)器人能夠自動(dòng)學(xué)習(xí)如何操縱對(duì)象。機(jī)器人在持續(xù)練習(xí)過(guò)程中所輸出的產(chǎn)品就是數(shù)據(jù)庫(kù)，可以充當(dāng)機(jī)器學(xué)習(xí)的訓(xùn)練樣本庫(kù)，用以訓(xùn)練其它同類(lèi)型機(jī)器人來(lái)抓握同樣的物體。

在基于深度學(xué)習(xí)的機(jī)器人控制中，數(shù)據(jù)量是保證機(jī)器人能夠完成復(fù)雜任務(wù)的關(guān)鍵因素，僅僅是為了同一款機(jī)器人的機(jī)械手平面抓取問(wèn)題，就要收集近百萬(wàn)次抓取動(dòng)作數(shù)據(jù)。一次完整的訓(xùn)練耗時(shí)較長(zhǎng)，在此過(guò)程中如果機(jī)器發(fā)生故障或試驗(yàn)條件發(fā)生變化，均會(huì)對(duì)訓(xùn)練樣本庫(kù)的采集造成影響。之所以要耗費(fèi)大量的時(shí)間采集訓(xùn)練數(shù)據(jù)，是因?yàn)橥ㄟ^(guò)深度學(xué)習(xí)訓(xùn)練出來(lái)的權(quán)重含義不明，只能用在同一個(gè)機(jī)器人上執(zhí)行同一項(xiàng)任務(wù)，技術(shù)遷移的難度很大，進(jìn)而限制了深度學(xué)習(xí)技術(shù)在機(jī)器人中的應(yīng)用進(jìn)程。

4.2 控制性能評(píng)估

通常情況下，利用深度學(xué)習(xí)進(jìn)行控制策略解算，前提是該控制問(wèn)題是可觀的，即只要足夠的給定數(shù)據(jù)，學(xué)習(xí)過(guò)程一定是收斂的。目前還無(wú)相關(guān)研究對(duì)可觀性問(wèn)題進(jìn)行理論性描述。此外，在一些特定情境下，深度學(xué)習(xí)無(wú)法保證達(dá)到期望的控制目標(biāo)，在控制層面缺乏嚴(yán)謹(jǐn)?shù)睦碚撝?。機(jī)器人技術(shù)研究者要做的是提出先驗(yàn)約束和模型約束，而深度學(xué)習(xí)則是之后再去解決這些約束造成的問(wèn)題，主張將深度框架和先驗(yàn)?zāi)Ｐ拖嘟Y(jié)合。

雖然深度學(xué)習(xí)在控制領(lǐng)域的研究?jī)?nèi)容已十分廣泛，但整體來(lái)看，理論研究仍很欠缺。對(duì)于基于深度學(xué)習(xí)的控制系統(tǒng)，其控制性能很難評(píng)估分析，即便是表現(xiàn)出一定的控制效果，也無(wú)法保證控制性能的魯棒穩(wěn)定性，這同時(shí)為深度控制理論的研究指明了方向。

4.3 硬件性能約束

與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)在精度方面有較大優(yōu)勢(shì)，但當(dāng)面臨高清和實(shí)時(shí)應(yīng)用時(shí)，深度學(xué)習(xí)算法將大大受到硬件性能的約束。深度學(xué)習(xí)時(shí)，硬件除了要滿足矩陣相乘、卷積、循環(huán)層和全局規(guī)約4種基本運(yùn)算的性能要求外，還要滿足數(shù)據(jù)級(jí)別和流程化的并行性、高內(nèi)存帶寬、多線程等特性。

一直以來(lái)，英偉達(dá)公司的大規(guī)模并行圖形處理器和專(zhuān)用編程框架占據(jù)著深度學(xué)習(xí)硬件市場(chǎng)的主導(dǎo)地位，其它公司也陸續(xù)推出用于深度學(xué)習(xí)的加速硬件，如谷歌和高通等。目前，深度學(xué)習(xí)暫無(wú)統(tǒng)一的硬件處理架構(gòu)。總之，是否采用深度學(xué)習(xí)來(lái)提升智能裝備的性能，取決于具體的應(yīng)用場(chǎng)景需求及硬件成本等因素的綜合考量。

5 結(jié)論

深度學(xué)習(xí)理論在不斷發(fā)展中，新的應(yīng)用領(lǐng)域不斷被開(kāi)拓，如機(jī)器人、數(shù)據(jù)挖掘等，網(wǎng)絡(luò)架構(gòu)和訓(xùn)練方法在應(yīng)用過(guò)程中不斷被優(yōu)化，同時(shí)對(duì)硬件設(shè)備的要求也會(huì)越來(lái)越低。雖然目前深度學(xué)習(xí)尚未成為大型系統(tǒng)的一部分，但毋庸置疑，深度學(xué)習(xí)算法作為數(shù)據(jù)與決策之間的橋梁，未來(lái)一定會(huì)在提升裝備智能化過(guò)程中發(fā)揮重要作用。

[1]尹寶才，王文通，王立春.深度學(xué)習(xí)研究綜述[J].北京工業(yè)大學(xué)學(xué)報(bào)，2015，41（1）：48-59.

[2]胡侯立，魏維，胡蒙娜.深度學(xué)習(xí)算法的原理及應(yīng)用[J].信息技術(shù)，2015（2）：175-177.

[3]王企遠(yuǎn).機(jī)器視覺(jué)在工件識(shí)別和干涉檢測(cè)中的應(yīng)用[J].上海電氣技術(shù)，2014，7（2）：28-32.

[4]鄭西點(diǎn)，袁浩巍，杜正陽(yáng)，等.一種高速視覺(jué)實(shí)時(shí)定位與跟蹤系統(tǒng)的研制[J].上海電氣技術(shù)，2015，8（1）：25-30.

[5]伍錫如，黃國(guó)明，孫立寧.基于深度學(xué)習(xí)的工業(yè)分揀機(jī)器人快速視覺(jué)識(shí)別與定位算法[J].機(jī)器人，2016，38（6）：711-719.

[6]王漢飛，刁燕，羅華，等.微創(chuàng)手術(shù)機(jī)器人靈活工作空間的分析與優(yōu)化[J].機(jī)械制造，2016，54（6）：23-25.

[7]任浩，屈劍鋒，柴毅，等.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策，2017，32（8）：1345-1358.

[8]劉培炎，吳松，付榮華，等.柔性機(jī)械手抓取能力影響因素的研究[J].機(jī)械制造，2017，55（2）：6-9，12.

[9]張雪艷，梁工謙，董仲慧.基于改進(jìn)自適應(yīng)遺傳算法的柔性作業(yè)車(chē)間調(diào)度問(wèn)題研究[J].機(jī)械制造，2016，54（6）：1-4，33.

[10]王立鳳.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].裝備機(jī)械，2017（1）：64-67.

[11]禹華軍.風(fēng)力發(fā)電機(jī)組中的振動(dòng)監(jiān)測(cè)與分析[J].裝備機(jī)械，2011（3）：52-56.

[12]段艷杰，呂宜生，張杰，等.深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望[J].自動(dòng)化學(xué)報(bào)，2016，42（5）：643-654.

[13]張小俊，劉歡歡，趙少魁，等.機(jī)器人智能化研究的關(guān)鍵技術(shù)與發(fā)展展望[J].機(jī)械設(shè)計(jì)，2016，33（8）：1-7.

[14]朱勇，韋鵬，高誠(chéng)，等.智能型機(jī)器人在車(chē)頂外板涂膠上的應(yīng)用[J].裝備機(jī)械，2010（2）：30-33.