江蘇大學(xué) 趙楊杰 封曉果

隨著我國(guó)人工智能技術(shù)水平的提高，人們開(kāi)始重視高新科技領(lǐng)域的創(chuàng)新發(fā)展。智能機(jī)器人作為新時(shí)代下各行研究人員關(guān)注的焦點(diǎn)，在持續(xù)探索與優(yōu)化的過(guò)程中，不僅為智能化領(lǐng)域發(fā)展提供了全新方向，而且加快了我國(guó)未來(lái)工業(yè)革新發(fā)展步伐。本文在了解當(dāng)前只能機(jī)器人的內(nèi)容和發(fā)展情況的基礎(chǔ)上，根據(jù)深度學(xué)習(xí)方法對(duì)其應(yīng)用方向進(jìn)行分析，并明確了未來(lái)的領(lǐng)域發(fā)展趨勢(shì)。

1 深度學(xué)習(xí)方法的應(yīng)用研究

最初“深度學(xué)習(xí)”這一理念來(lái)自于人工神經(jīng)網(wǎng)絡(luò)，屬于實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種優(yōu)秀技術(shù)。從本質(zhì)上講，通過(guò)構(gòu)建包含多項(xiàng)隱層的機(jī)器學(xué)習(xí)架構(gòu)模型，正確訓(xùn)練大量數(shù)據(jù)信息，能獲取更多具有意義的特殊信息，以此為樣本分類與預(yù)測(cè)提供有效依據(jù)。這一過(guò)程也是運(yùn)用深度學(xué)習(xí)模式來(lái)實(shí)現(xiàn)初期目標(biāo)的一種方式，將其與智能機(jī)器人研究工作融合到一起，不僅能拓展人們的視野范圍，而且可以為實(shí)踐應(yīng)用提供更多機(jī)遇。由于深度學(xué)習(xí)需要人們了解樣本數(shù)據(jù)的變化規(guī)律和應(yīng)用層次，所以研究智能機(jī)器人的專業(yè)工作者可以在學(xué)習(xí)時(shí)得到更多具有深意的聲音、圖像及文字等數(shù)據(jù)信息。深度學(xué)習(xí)法的智能機(jī)器人在應(yīng)用中，能讓機(jī)器人擁有與人類相近的分析能力，而且可以提高整體設(shè)計(jì)性能，拓展應(yīng)用范圍，這也是現(xiàn)階段國(guó)內(nèi)外研究關(guān)注的焦點(diǎn)方向。在二十世紀(jì)八十年代末期，人們開(kāi)始運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的“反向傳播算法”，在多個(gè)樣本數(shù)據(jù)中掌握統(tǒng)計(jì)的規(guī)律，這樣既能準(zhǔn)確預(yù)測(cè)未知信息，又開(kāi)啟了“深度學(xué)習(xí)法”的智能機(jī)器人研究工作。

2 智能機(jī)器人的內(nèi)容與發(fā)展

一般來(lái)講，最常應(yīng)用的智能機(jī)器人是由多種復(fù)雜結(jié)構(gòu)形成的，且彼此之間相互聯(lián)系，共同幫助智能機(jī)器人實(shí)現(xiàn)所需功能。一方面，傳感部分。其作為智能機(jī)器人連接內(nèi)外環(huán)境的重要結(jié)構(gòu)，可以更好掌控自身工作狀態(tài)，并將內(nèi)外環(huán)境變化及時(shí)反饋給控制系統(tǒng)，科學(xué)調(diào)節(jié)執(zhí)行系統(tǒng)，確保機(jī)器人可以在有效完成工作的同時(shí)，提升自身的適應(yīng)力。另一方面，控制部分。這類智能機(jī)器人主要有兩種：一種是集中控制模式，另一種是分散控制模式。前者是指運(yùn)用一臺(tái)機(jī)器人控制所有機(jī)器人的行為，而后者是指運(yùn)用多臺(tái)計(jì)算機(jī)對(duì)機(jī)器人行為進(jìn)行分層管控。根據(jù)當(dāng)前智能機(jī)器人研制道路分析，其主要分為三階段：第一，初期研制的機(jī)器人需要提前依據(jù)程序進(jìn)行設(shè)定，且只能實(shí)施重復(fù)工作，沒(méi)有智能判斷和優(yōu)先處理的能力；第二，再次研制的機(jī)器人在以往基礎(chǔ)上設(shè)計(jì)了自動(dòng)處理和部分感知的功能；第三，現(xiàn)階段的智能機(jī)器人不僅擁有自我感知、判斷及適應(yīng)學(xué)習(xí)等能力，而且可以在不斷完善中與其他行業(yè)結(jié)合發(fā)展。

3 深度學(xué)習(xí)方法的智能機(jī)器人的具體應(yīng)用

3.1 位姿判斷

目前針對(duì)智能機(jī)器人的研究方向主要集中在學(xué)習(xí)抓取工作上，其中包含位姿判別、智能學(xué)習(xí)及活動(dòng)規(guī)劃、系統(tǒng)控制等。在特定的目標(biāo)場(chǎng)景下，機(jī)器人在多模特征學(xué)習(xí)中可以正確判斷出最佳的抓取姿勢(shì)，并且在時(shí)間延長(zhǎng)的情況下依舊可以保障抓取的準(zhǔn)確率，不僅是當(dāng)前我國(guó)研究關(guān)注的焦點(diǎn)，更是實(shí)際應(yīng)用的主要方向。

要想運(yùn)用多模特征深度學(xué)習(xí)與融合的方式來(lái)處理位姿判斷問(wèn)題，需要從以下幾步入手：第一，依據(jù)堆疊降噪自動(dòng)編碼的方式構(gòu)建深度網(wǎng)絡(luò)模型；第二，結(jié)合體感傳感器明確目標(biāo)和深度多模數(shù)據(jù)，同時(shí)引用融合的方式有效解決深層抽象表達(dá)；第三，全面整合機(jī)器人與多模特征深度學(xué)習(xí)模型。這樣不僅能更好完成位姿判斷工作，而且可以根據(jù)不同形態(tài)或方向選擇正確的抓取姿勢(shì)和位置。需要注意的是，在設(shè)計(jì)過(guò)程中構(gòu)建完善的深度網(wǎng)絡(luò)模型能全面提高抓取和判斷的準(zhǔn)確率。因此，在構(gòu)建深度網(wǎng)絡(luò)模型時(shí)，必須要先處理降噪問(wèn)題，而后再對(duì)訓(xùn)練數(shù)據(jù)實(shí)施降噪編碼。在具體應(yīng)用時(shí)，要保障機(jī)器人在獲取完整場(chǎng)景圖的基礎(chǔ)上，先分離目標(biāo)，后獲取初始特征，只有這樣才能提高抓取位置和姿勢(shì)的有效性。為了更好解決實(shí)踐應(yīng)用中的問(wèn)題，研究人員提出將特定時(shí)間看作t，機(jī)器人抓取目標(biāo)是n，假設(shè)特征序列為X(t)，那么最終將會(huì)有無(wú)數(shù)種最佳抓取位姿，相應(yīng)的位置與姿態(tài)之間具有某種關(guān)系。通過(guò)將這類問(wèn)題轉(zhuǎn)變?yōu)槿绾吻笕「怕誓Ｐ偷淖畲蠡?，并運(yùn)用L層深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建對(duì)應(yīng)的判斷模型，這樣只需要輸入具體數(shù)量，就可以得到相應(yīng)的邏輯關(guān)系。

3.2 工業(yè)服務(wù)

隨著人工智能科技水平的不斷提升，現(xiàn)有智能機(jī)器人逐漸取代了部分存在危險(xiǎn)性的工作內(nèi)容，這樣不僅為人類日常生活和工作帶來(lái)了便利性，而且有效控制了事態(tài)嚴(yán)重的影響范圍。例如，礦山施工、工程建造及化學(xué)材料的研制等，雖然都是促進(jìn)社會(huì)經(jīng)濟(jì)不斷發(fā)展的重要行業(yè)，但長(zhǎng)久工作不管是環(huán)境還是技術(shù)等都會(huì)對(duì)人類的身體和精神產(chǎn)生負(fù)面影響。相反，結(jié)合智能機(jī)器人進(jìn)行實(shí)踐工作，既能減少工作問(wèn)題，提升整體效率，又能避免技術(shù)或環(huán)境對(duì)人類產(chǎn)生不必要的傷害。

以挖掘工作為例，在研制具備自主工作能力的挖掘機(jī)器人時(shí)，最重要的是思考如何在控制成本支出的情況下構(gòu)建完整的環(huán)境地圖。一般來(lái)講，人們會(huì)結(jié)合單目視覺(jué)傳感器來(lái)優(yōu)化挖掘機(jī)器人的視覺(jué)系統(tǒng)，這樣不僅能保障其快速得到所處環(huán)境的各類信息，而且可以由此為依據(jù)進(jìn)行后續(xù)工作。需要注意的是，研究人員要考慮視覺(jué)系統(tǒng)中圖像識(shí)別的跟蹤與檢測(cè)工作，尤其是對(duì)圖像而言，一方面要運(yùn)用灰度化和直方圖均衡化的方式優(yōu)先做好前期處理工作，另一方面要結(jié)合中值濾波處理其中潛藏的噪音，并做好對(duì)應(yīng)的檢測(cè)工作。除此之外，還要依據(jù)深度學(xué)習(xí)處理圖像，這樣有助于在自主學(xué)習(xí)和不斷訓(xùn)練的基礎(chǔ)上，對(duì)圖像進(jìn)行科學(xué)分類，最終確保自編碼系統(tǒng)可以更快掌握?qǐng)D像邊緣特征。在挖掘機(jī)器人解決周邊環(huán)境問(wèn)題后，接下來(lái)要優(yōu)化鏟斗目標(biāo)檢查和跟蹤的相關(guān)問(wèn)題。其中，“鏟斗目標(biāo)檢查算法”整合了三幀算法和混合高斯背景建模法，而“鏟斗目標(biāo)跟蹤算法”是以Kalman濾波和Mean-shift算法為依據(jù)的全新計(jì)算形式。通過(guò)在工業(yè)分揀智能機(jī)器人中全面融合深度學(xué)習(xí)，不僅能解決以往識(shí)別工作中的問(wèn)題，而且可以進(jìn)行準(zhǔn)確定位復(fù)雜內(nèi)容，提升整體工作效率。

3.3 家庭服務(wù)

在社會(huì)經(jīng)濟(jì)水平不斷提高，家居生活質(zhì)量越來(lái)越強(qiáng)的過(guò)程中，智能機(jī)器人在家庭服務(wù)中也展現(xiàn)出了獨(dú)特優(yōu)勢(shì)，其不僅能進(jìn)行簡(jiǎn)單或復(fù)雜的日常操作，而且可以幫助人們解決部分生活問(wèn)題，如智能控制家電、清理衛(wèi)生及娛樂(lè)休閑等。一般來(lái)講，在整合發(fā)展智能機(jī)器人與家庭服務(wù)時(shí)，主要從兩點(diǎn)入手：一方面要讓機(jī)器人可以正確識(shí)別室內(nèi)環(huán)境，快速接收任務(wù)信息；另一方面要與人便捷交流，能理解現(xiàn)代化的語(yǔ)言信息。要想讓智能機(jī)器人在家庭服務(wù)中展現(xiàn)出獨(dú)特性和便捷性，首先要保障日常交流沒(méi)有問(wèn)題，此時(shí)就需要運(yùn)用大數(shù)據(jù)系統(tǒng)幫助機(jī)器人了解和掌握不同時(shí)期的人類語(yǔ)言。

以人臉識(shí)別為例，其作為當(dāng)前非常便捷的身份認(rèn)證方式，受到了各國(guó)科研人員的關(guān)注?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別的基本算法框架圖如圖1所示，其中上半部分為基礎(chǔ)內(nèi)容，只需要將交叉熵看作損失函數(shù)，而下半部分結(jié)構(gòu)與上半部分類似，只是在全連接層添加了Center loss損失函數(shù)。整合兩者進(jìn)行網(wǎng)絡(luò)訓(xùn)練，有助于不斷優(yōu)化“fc”層的特征向量。需要注意的是，每個(gè)人的臉部特征各有不同，因此訓(xùn)練中累積的樣本類別對(duì)整體數(shù)量而言少之又少，這就要求研究人員在關(guān)注訓(xùn)練識(shí)別準(zhǔn)確性的同時(shí)，注重在“Softmax”層獲取特征向量代表的所有區(qū)分性。最終實(shí)驗(yàn)結(jié)果表明，運(yùn)用這種方式能全面提高跨年齡人臉識(shí)別的準(zhǔn)確性。

圖1 人臉識(shí)別的基本算法框架

整合實(shí)踐案例分析，為訓(xùn)練提供跨年齡變化人臉圖像數(shù)據(jù)集CACD，雖然能在一定意義上優(yōu)化模型識(shí)別效果，但也要對(duì)圖像數(shù)據(jù)實(shí)施預(yù)處理。而實(shí)驗(yàn)所選評(píng)估指標(biāo)分為兩點(diǎn)：其一為從圖片庫(kù)檢索到第一張臉的平均準(zhǔn)確率；其二為圖像檢索中的平均精度均值，具體計(jì)算公式為：

其中，Precision(X)表示查詢結(jié)果為X時(shí)獲取的證樣本比例，隨著平均精度均值的增加，其越能表現(xiàn)人臉特征的類間區(qū)分性。

結(jié)語(yǔ)：綜上所述，面對(duì)全球化經(jīng)濟(jì)發(fā)展趨勢(shì)，隨著人工智能科技水平的不斷提高，為了更好解決現(xiàn)有智能機(jī)器人技術(shù)問(wèn)題，加強(qiáng)基于深度學(xué)習(xí)方法的智能機(jī)器人研究力度至關(guān)重要。這樣不僅能改變?cè)屑夹g(shù)形式，如語(yǔ)音識(shí)別、圖像判斷等，而且可以有效處理機(jī)器人應(yīng)用問(wèn)題，如位姿等。雖然當(dāng)前我們對(duì)智能機(jī)器人的了解不深，在日常生活中也很難看到，但隨著科研人員的不斷創(chuàng)新，相信在未來(lái)發(fā)展中智能機(jī)器人必將得到廣泛利用，促使人們的生活向著智能化和科學(xué)化的方向穩(wěn)步前進(jìn)。