任浩然 徐云鵬

（洛陽科技職業(yè)學(xué)院 河南省洛陽市 471000）

從首臺(tái)工業(yè)機(jī)器人誕生開始，相關(guān)的技術(shù)與產(chǎn)品得到了迅速發(fā)展，并深刻改變了人們的生產(chǎn)、生活方式，利用計(jì)算機(jī)，可以實(shí)現(xiàn)視覺功能，讓機(jī)器人實(shí)時(shí)接收指令，按照編寫好的程序來完成工作。在工業(yè)4.0時(shí)代中，工業(yè)機(jī)器人發(fā)揮著十分重要的作用，推廣工業(yè)機(jī)器人，可以替代以往的人工重復(fù)性勞動(dòng)，將工人從勞累、枯燥的環(huán)境中解放，也可有效降低生產(chǎn)成本，優(yōu)化生產(chǎn)效率。在這一背景下，制造業(yè)開始大范圍的推廣工業(yè)機(jī)器人，在工業(yè)機(jī)器人的推廣過程中，面臨識(shí)別、定位等阻礙，為了解決該種問題，需引入深度學(xué)習(xí)技術(shù)。

1 深度學(xué)習(xí)概述

深度學(xué)習(xí)思想與人的神經(jīng)網(wǎng)絡(luò)類似，人的視覺系統(tǒng)在處理信息時(shí)，是采用分級(jí)處理的方式，由低層神經(jīng)細(xì)胞負(fù)責(zé)提取邊緣特征，高級(jí)神經(jīng)細(xì)胞進(jìn)行迭代、抽象，在高層特征、低層特征的結(jié)合下來實(shí)現(xiàn)信息的處理。深度學(xué)習(xí)就是借鑒了這一處理方式，能夠構(gòu)建出大量隱層的機(jī)器學(xué)習(xí)模型，借助海量訓(xùn)練數(shù)據(jù)來提升分類以及預(yù)測工作的準(zhǔn)確性。深度學(xué)習(xí)是實(shí)現(xiàn)人工智能的重要路徑，在2007年，Geoffrey Hinton等人在前人研究基礎(chǔ)上提出了新型訓(xùn)練算法，借助多數(shù)分類、回歸等機(jī)器學(xué)習(xí)模型，能夠解決一定的復(fù)雜分類問題，與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)模型不同，深度學(xué)習(xí)性能是由模型深度來決定，能夠利用逐層特征映射讓分類、預(yù)測變得更為準(zhǔn)確[1]。

機(jī)器學(xué)習(xí)是一門新的研究學(xué)科，是通過計(jì)算手段和經(jīng)驗(yàn)來優(yōu)化系統(tǒng)性能，也就是說，這一技術(shù)是借助算法讓機(jī)器從歷史數(shù)據(jù)中發(fā)到規(guī)律，以此來預(yù)測未來、進(jìn)行智能識(shí)別。在當(dāng)前的人工智能、機(jī)器學(xué)習(xí)研究中，深度學(xué)習(xí)理論是一項(xiàng)重點(diǎn)，受到了國內(nèi)外研究人員的高度關(guān)注。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在算法設(shè)計(jì)上主要是采用了反向傳播的算法，但是由于其效率低下和容易陷入局部極小狀態(tài)的缺點(diǎn)，導(dǎo)致在遇到復(fù)雜數(shù)據(jù)時(shí)的運(yùn)算結(jié)果難以達(dá)到人們的預(yù)期，至此，深度學(xué)習(xí)算法應(yīng)運(yùn)而生，常見的深度學(xué)習(xí)模型，包括如下幾種類型：

1.1 全連接神經(jīng)網(wǎng)絡(luò)

全連接神經(jīng)網(wǎng)絡(luò)屬于基本神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱藏層以及輸出層組成，輸入層負(fù)責(zé)數(shù)據(jù)的收集，隱藏層可以設(shè)置為一層，也可設(shè)置為多層，各層之間利用權(quán)值連接，應(yīng)用了非線性激活函數(shù)，為網(wǎng)絡(luò)賦予了學(xué)習(xí)任意非線性函數(shù)的能力。應(yīng)用了全連接神經(jīng)網(wǎng)絡(luò)后，可以顯著提升檢測的準(zhǔn)確率，相較于以往的機(jī)器學(xué)習(xí)算法，有效優(yōu)化了檢測性能[2]。同時(shí)，全連接神經(jīng)網(wǎng)絡(luò)增加了各層結(jié)點(diǎn)個(gè)數(shù)，但是，如果節(jié)點(diǎn)數(shù)和層數(shù)太多，會(huì)出現(xiàn)擬合問題，影響泛化能力，容易出現(xiàn)梯度爆炸的問題，因此，在實(shí)際操作中，很少使用純?nèi)B接神經(jīng)網(wǎng)絡(luò)。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是模仿大腦來實(shí)現(xiàn)人工智能的一種數(shù)學(xué)算法模型，有著信息分布式并行處理、非線性的特點(diǎn)，通過調(diào)整神經(jīng)元的權(quán)重來達(dá)到處理信息目的。卷積神經(jīng)網(wǎng)絡(luò)最早在1980年誕生，屬于前饋化的神經(jīng)網(wǎng)絡(luò)，在2012年，Hinton等人提出CNN模型-Alexnet網(wǎng)絡(luò)，取得了良好的分類效果，極大的帶動(dòng)了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，為了進(jìn)一步提升圖像識(shí)別準(zhǔn)確率，在2014年，Szegedy等人提出了GoogLeNet，在圖像分類任務(wù)中取得了良好效果。同年，Simonyan等提出了VGG-net網(wǎng)絡(luò)，有效優(yōu)化了網(wǎng)絡(luò)特征提取能力，減少網(wǎng)絡(luò)參數(shù)，解決了深層網(wǎng)絡(luò)在訓(xùn)練時(shí)的退化問題。

卷積神經(jīng)網(wǎng)絡(luò)是基于全連接神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上誕生，具有權(quán)值共享、稀疏連接、瀉化功能，空間特征學(xué)習(xí)能力更強(qiáng)，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，可以有效的提取出網(wǎng)絡(luò)流量的解空間特征。通過該種方式，做到了端對(duì)端加密流量異常檢測，有效減少參數(shù)量，但是，在具體的應(yīng)用過程中，也存在梯度消失、梯度爆炸問題，為了解決上述問題，可應(yīng)用殘差網(wǎng)絡(luò)來提升網(wǎng)絡(luò)深度和圖片識(shí)別質(zhì)量。

1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)能夠利用隱藏狀態(tài)單元，將各類信息傳遞至當(dāng)前時(shí)刻，提取到流量的時(shí)序特征，但是普通循環(huán)神經(jīng)網(wǎng)絡(luò)無法滿足長時(shí)記憶要求，這就需要應(yīng)用長短實(shí)記憶網(wǎng)絡(luò)。在實(shí)際的操作中，可以將數(shù)據(jù)包作為“詞匯”與“句子”，應(yīng)用長短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)來分析網(wǎng)絡(luò)時(shí)序行為。

2 工業(yè)機(jī)器人的研究進(jìn)展

在人工智能、機(jī)器人技術(shù)的發(fā)展下，各類機(jī)器人軟硬件、智能算法出現(xiàn)，各個(gè)國家為了應(yīng)對(duì)科技挑戰(zhàn)，出臺(tái)了一系列戰(zhàn)略，如美國的“工業(yè)互聯(lián)網(wǎng)”、德國的“工業(yè)4.0”、中國的“中國智造2025”、日本的“重振制造業(yè)”等，進(jìn)一步推動(dòng)了工業(yè)機(jī)器人領(lǐng)域的研究，工業(yè)機(jī)器人、人工智能技術(shù)得到了緊密結(jié)合，成為下一階段機(jī)器人領(lǐng)域的研究熱點(diǎn)。

利用工業(yè)機(jī)器人為生活、勞動(dòng)生產(chǎn)服務(wù)，營造出智能化、高效化的社會(huì)環(huán)境，是人們追求的美好愿景，具備機(jī)器人肢體，又具備人類智慧的工業(yè)機(jī)器人，是學(xué)界追求的發(fā)展目標(biāo)。傳統(tǒng)工業(yè)機(jī)器人融合了光學(xué)工程、機(jī)械、自動(dòng)化、電子工程等核心技術(shù)于一體，從首臺(tái)機(jī)器人誕生至今，工業(yè)機(jī)器人的應(yīng)用已經(jīng)超過了60年，相關(guān)的技術(shù)與配套產(chǎn)品已經(jīng)發(fā)展成熟，目前，工業(yè)機(jī)器人在手術(shù)醫(yī)療、物流、生產(chǎn)制造等領(lǐng)域中都有了廣泛使用，不過，在原有的技術(shù)線路上，工業(yè)機(jī)器人也遇到發(fā)展瓶頸，人工智能與工業(yè)機(jī)器人的交叉融合，能夠滿足新時(shí)期人們的需求，顛覆傳統(tǒng)的工業(yè)機(jī)器人發(fā)展格局。

近年來，人工智能技術(shù)實(shí)現(xiàn)了迅速發(fā)展，在教育醫(yī)療、安防監(jiān)測、語音識(shí)別、智能機(jī)器人、自動(dòng)駕駛等領(lǐng)域中都由廣泛使用。如，在在線購物、新聞資訊領(lǐng)域，可利用人工智能提取用戶特征數(shù)據(jù)，為其提供個(gè)性化推送；在安檢支付中，人臉識(shí)別成為了必備方式，可提供安全、便捷、快速的使用體驗(yàn)；在醫(yī)療領(lǐng)域，利用醫(yī)療圖像數(shù)據(jù)診斷、大數(shù)據(jù)專家系統(tǒng)可對(duì)疾病進(jìn)行輔助診斷；在自動(dòng)駕駛領(lǐng)域，應(yīng)用深度學(xué)習(xí)方法，能夠?qū)︸{駛員的狀態(tài)進(jìn)行檢測與分析，并自動(dòng)感知周圍的環(huán)境。

鑒于視覺與語言技術(shù)的應(yīng)用普遍性，深度學(xué)習(xí)成為當(dāng)前人工智能領(lǐng)域中的研究熱點(diǎn)，深度學(xué)習(xí)能夠應(yīng)用多層非線性方式對(duì)數(shù)據(jù)進(jìn)行處理，分析出樣本中的特征規(guī)律，構(gòu)建潛在假設(shè)模型，其本質(zhì)是一種多隱含層神經(jīng)網(wǎng)絡(luò)。得益于大規(guī)模數(shù)據(jù)的累積、硬件算力的提升，深度學(xué)習(xí)方法適合應(yīng)用在監(jiān)督、無監(jiān)督兩種訓(xùn)練模式中，能夠?qū)?shù)據(jù)進(jìn)行分類、檢測、分割與識(shí)別，其中，最為常見的兩種深度學(xué)習(xí)模型就是卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)，分別適用于自然語言處理、計(jì)算機(jī)視覺與語音識(shí)別領(lǐng)域。

3 工業(yè)機(jī)器人發(fā)展面臨的瓶頸

3.1 通信問題

在工業(yè)機(jī)器人的通信設(shè)計(jì)中，需要應(yīng)用到多個(gè)關(guān)鍵技術(shù)，機(jī)器人的交互也是利用綜合傳感器的數(shù)據(jù)來實(shí)現(xiàn)，將數(shù)據(jù)轉(zhuǎn)化為準(zhǔn)確、可靠的信息支持，再采用信息融合的方式對(duì)外部環(huán)境數(shù)據(jù)進(jìn)行監(jiān)測，利用自身指令來進(jìn)行規(guī)劃，從而滿足機(jī)器與人之間的交互要求[3]。當(dāng)前，多數(shù)工業(yè)機(jī)器人都具備信息獲取能力，但是信息的深度融合、有效分析能力還有待提升，由于缺乏這一能力，在外部環(huán)境發(fā)生變化時(shí)，無法及時(shí)解決，難以滿足機(jī)器人的互動(dòng)與通信要求，嚴(yán)重影響機(jī)器人的工作效率。

3.2 協(xié)作學(xué)習(xí)問題

工業(yè)機(jī)器人的協(xié)作學(xué)習(xí)是利用合作、通信、協(xié)商的方式來滿足知識(shí)共享要求，為其他機(jī)器人提供借鑒和警示。在工業(yè)機(jī)器人的聯(lián)合作業(yè)中，協(xié)作學(xué)習(xí)起著重要作用，受制于技術(shù)水平的限制，目前的工業(yè)機(jī)器人還沒有實(shí)現(xiàn)真正意義上的協(xié)同。通過單個(gè)機(jī)器人，無法對(duì)分組目標(biāo)、自身特征進(jìn)行表征，嚴(yán)重影響了機(jī)器人的學(xué)習(xí)效果，這是下一階段需重點(diǎn)關(guān)注的問題。

3.3 安全問題

關(guān)于機(jī)器人的研究是目前學(xué)界關(guān)注的熱點(diǎn)，但是，在工業(yè)機(jī)器人的應(yīng)用過程中，卻表現(xiàn)出一系列的安全問題，最為著名的就是2015年發(fā)生在德國的工業(yè)機(jī)器人殺人事件，在安裝機(jī)器人工作的過程中，撞擊到一名男性工人，工人在被鐵板重壓后不幸身亡。數(shù)據(jù)顯示，有超過50%以上的工業(yè)機(jī)器人傷人事故都是由于人為因素導(dǎo)致，但是，工業(yè)機(jī)器人本身的發(fā)展歷程就不長，在技術(shù)層面還存在不完善的問題。之所以出現(xiàn)工業(yè)機(jī)器人傷人問題，主要是由于機(jī)器人無法很好的區(qū)分出人與其他工業(yè)部件的差別，對(duì)此，需要為工業(yè)機(jī)器人賦予模式識(shí)別、機(jī)器視覺能力，使之可以分辨出人與其他工業(yè)部件的不同，以此來杜絕傷人問題。

4 深度學(xué)習(xí)對(duì)工業(yè)機(jī)器人發(fā)展的促進(jìn)作用應(yīng)用

4.1 借助深度學(xué)習(xí)來優(yōu)化系統(tǒng)通信

機(jī)器人的通信問題涉及的內(nèi)容十分復(fù)雜，既有群機(jī)器人、系統(tǒng)之間的通信問題，又有機(jī)器人、人之間的通信問題。通過多個(gè)機(jī)器人之間的學(xué)習(xí)、交互、控制，可完成各類復(fù)雜任務(wù)，要在目標(biāo)驅(qū)動(dòng)下實(shí)現(xiàn)群機(jī)器人的交流與協(xié)商，首先需要解決的就是通信問題[4]。而深度學(xué)習(xí)的誕生能夠有效解決工業(yè)機(jī)器人的此類問題，為通信提供了技術(shù)保障和算法支持，讓機(jī)器人具備了任務(wù)型學(xué)習(xí)、合作型學(xué)習(xí)、環(huán)境特征學(xué)習(xí)能力。

4.2 借助深度學(xué)習(xí)來滿足協(xié)作學(xué)習(xí)要求

在1983年，BM隨機(jī)遞歸神經(jīng)網(wǎng)絡(luò)誕生，該種技術(shù)是通過數(shù)據(jù)的學(xué)習(xí)來解決各類復(fù)雜的協(xié)作、學(xué)習(xí)問題，利用深度學(xué)習(xí)，可以有效滿足工業(yè)機(jī)器人的協(xié)作學(xué)習(xí)要求。研究工業(yè)機(jī)器人的協(xié)作學(xué)習(xí)問題，就是為了提升學(xué)習(xí)者的綜合能力，使其各項(xiàng)能力可以得到平衡發(fā)展，如果可以讓多個(gè)工業(yè)機(jī)器人之間并行工作，并分享相關(guān)信息，那么工業(yè)機(jī)器人的運(yùn)作就能夠做到相互促進(jìn)，從而顯著提升生產(chǎn)準(zhǔn)確性，優(yōu)化工作效率，有效簡化工業(yè)機(jī)器人工作的繁瑣流程。即便在工作的過程中發(fā)生障礙，也可以利用深度學(xué)習(xí)來更正措施，將信息分享給其他的工業(yè)機(jī)器人[5]。

4.3 利用深度學(xué)習(xí)解決系統(tǒng)安全問題

在工業(yè)機(jī)器人的應(yīng)用過程中，最為廣受詬病的就是其引發(fā)的安全問題，盡管多數(shù)安全問題是由于操作者本身安全意識(shí)缺失、操作不當(dāng)所造成，但與工業(yè)機(jī)器人本身也有密切關(guān)系。如果在操作人員發(fā)出求救聲時(shí)，工業(yè)機(jī)器人能夠迅速識(shí)別，那么就可以避免對(duì)操作人員造成傷害，反之，在操作人員求救時(shí)，工業(yè)機(jī)器人無法識(shí)別，就很可能造成人員傷亡的悲劇。借助深度神經(jīng)網(wǎng)絡(luò)，可以有效解決這一問題，能夠針對(duì)語音識(shí)別系統(tǒng)來建模，提升語音識(shí)別正確率，在應(yīng)用了這一技術(shù)后，工業(yè)機(jī)器人在后續(xù)的工作過程中，可以更好的理解操作者的要求，不斷修正錯(cuò)誤，更好的理解操作人員要求，解決這一技術(shù)在應(yīng)用過程中出現(xiàn)的安全問題。

5 結(jié)語

可以預(yù)計(jì)的是，在未來一段時(shí)間內(nèi)，工業(yè)機(jī)器人的發(fā)展將會(huì)表現(xiàn)出精噴化的趨勢，隨著人口老齡化程度的加深和人工成本的提升，各個(gè)產(chǎn)業(yè)對(duì)于工業(yè)機(jī)器人的需求量也將會(huì)不斷增長。就當(dāng)前來看，我國在工業(yè)機(jī)器人的研究上，還處于初級(jí)階段，其中，還有大量的問題尚未得到解決，將深度學(xué)習(xí)應(yīng)用在工業(yè)機(jī)器人的研發(fā)中，能夠?yàn)楣I(yè)機(jī)器人提供更為可靠的技術(shù)支持，解決其應(yīng)用過程中的安全、通信、學(xué)習(xí)等問題，也會(huì)為工業(yè)機(jī)器人的大范圍推廣提供新的契機(jī)。