TMT观察网_独特视角观察TMT行业

機器人早已在工業流水線尤其是制造業上得到了廣泛的應用，比如手機制造、汽車組裝等。在最初的應用中，機器人的設計被固定在某一項任務當中，打眼就是打眼，安螺絲就是安螺絲。在這個時期，工業機器人實質上是替代了簡單的組裝工作，并且只適應設計好的特定環節，基本沒有任何延展性。

而在人工智能時代，加入了機器視覺之后，機器人的應用范圍逐漸一下子被擴大了許多。更多的行業被涉足并發生了質的革新，比如物流的智能分揀。

目前來說，對機器人進行視覺訓練，應用在工業當中的基本任務就是：認識某物。也就是說，通過對機器的訓練，使其能夠分辨出哪一樣是自己的工作對象。而這也是機器視覺學習的最簡單而有效的應用。

但工業應用場景并不僅僅只有識別。比如對倉儲物品的抓取和分類，或者很多并不是固定物品的應用場景，這就會導致機器既有的學習內容用不上。那么，不認識這個東西，機器就不知道該如何處理，在做一些抓取搬運工作的時候就難免會出岔子。

從這個角度上來說，以后對工業機器人的要求，將不滿足于局限于既有的學習內容，同樣還要有自主的學習能力。也就是說，在機器人碰到陌生的物體的時候，能夠自主地判斷該怎么去處理。

AI繪制三維圖形，判斷最佳抓取姿勢

有人覺得，培養機器人的遷移學習能力不就好了嗎？比如記住一些物體的具體特征，人工智能既然能分辨出什么是人、什么是大猩猩、什么是貓狗，那么只要訓練到位，機器人同樣也能對其他陌生的物體做出分辨。

但很可惜這樣想可能有點不切實際。比如讓機器人去把倉庫里亂七八糟的東西給歸置整齊了，里面可能有大電視機，也可能有小面包機，它怎么分類？它該怎么拿？所以，很顯然用認識同一類物體的方法是不適用于這樣的場景當中的。

那么，為了讓機器人什么都能拿，麻省理工的研究人員們動了點心思。

研究人員設計了這樣一個系統：面對自己不熟悉的物體，機器人能夠快速地對其進行估算，然后做出最適合的抓取和細節處理決策。該系統被稱為DON(Dense Object Nets，密集物體聯網），通過神經網絡的學習，機器人可以產生一個視覺路線圖，對物體進行一個約莫20分鐘的視覺檢查。

在此基礎上，機器人會從多個角度來確定物體的點，然后把所有的點形成一個整體坐標系統。把這些點聯系到一起之后，就可以繪制出物體的三維立體圖。值得注意的是，在繪制三維立體圖的過程中，機器完全不需要人的干預，因此這種學習方式又被稱為自我監督式學習。

這樣的學習過程其實是和人類有很大的相似之處。我們看到暖瓶知道要握把才能提起，該系統的目的也是訓練機器人的這種能力。只不過在目前的實驗中，三維立體圖形繪制出來之后，還需要研究人員在電腦上給出指定的位置，以告訴機器人從哪里下手。

在實驗中，機器人成功抓起了一只鞋子和杯子。

其實對機器人進行不同環境、物體的抓取訓練思路，麻省理工并不是第一個。2016國內一家科技公司就研發出了首套基于3D視覺定位系統的機器人，可以達到每秒1200萬點的快速掃描，從而建立一個物體的3D模型。再經過一系列的智能分析，可以判斷出物體當時的擺放姿態，從而完成一套抓取動作。

可以預見的是，今后也將有越來越多的關于基于3D立體判斷的工業機器人解決方案出現。讓機器人從簡單的識別固定唯一的物體到自如地適應不同物體抓取，也將成為工業機器人領域中不可忽視的重要技術。

抓得穩又抓得準，

人類的雙手該歇歇了

目前來說，該技術的最大問題在于建模所需的時間還比較長，遠遠無法滿足即時的工業應用需求。

上文介紹的麻省理工的研究，其要實現對物體的三維圖像描繪需要大概二十分鐘的時間。但在做個搬運工的時候，比如說清理房間，很可能會遇到非常多的不認識的物品。對這種機器人來說，每個物品都需要重新認識一遍。認識一個花二十分鐘，搬運一下一分鐘，那得了，整個時間就都消耗在這上面了。

而工業最講究的就是效率，如果能通過提升芯片計算速度、優化算法的方法令機器人快速建模并實現實時自主抓取，無疑是最成熟。當然，這對機器而言存在的困難還是很大。畢竟人類的神經元有1000億個，其形成的人類大腦反應恐怕機器在很長的一段時間內都很難企及。

如果機器人能實現抓取的即時反應、利用視覺判斷物體材料和表面光滑度控制好抓取力度等，其在無論是工業場景、消費場景還是其他場景等都將充滿廣闊的想象力。

搬家機器人。以前搬家，打幾個包袱弄輛推車，找幾個鄰居幫忙就可以搞定。而現在隨著家居用品的日益增加，搬家成為了一件巨麻煩的事情。很多人都會叫搬家公司來幫忙。實質上這就是在購買勞動。搬家貴，主要就是人力成本太高。當機器人搬運東西的時候可以做到舉重若輕，搬家工人或許將逐漸被取代。干活快、不發牢騷、不用發工資、購買一次可以長期重復使用，對搬家公司而言，利用搬家機器人可謂一勞永逸。成本降低之后，相應地搬家公司的收益會提高，而分攤到消費者身上的成本也會大大降低。

優化機器人無序抓取。在工業場景下，尤其是物流領域，很多物品的擺放都是散亂而無序的。傳統的機器人只是分揀符合自身程序設定標準的物件，最終仍然需要人工來對這些貨物進行碼垛等操作。當機器人可以實現對物品的三維掃描繪制，就可以將抓取過程更加智能化，以前由兩個機器人做的事情現在一個就可以完成；以前由人工操作的碼垛任務，最終也可以由機器完成。減少機器人配置和節省人力這兩方面，都將會得到優化。

清理事故現場和救災。嚴重的交通事故、工廠的意外爆炸、自然災害或者其他會產生大量分解物體的事故現場，清理是一件非常麻煩的事情。尤其是在一些危險隱患尚未解除的時候，靈巧的機器人雙手可以代替人類作許多事情。而在地震等自然災害之后，機器人可以代替人類深入現場做一些危險情況排除工作，甚至可以直接參與救人行動。

機器人抓取一直都是機器人研究領域的一個熱點問題，這也正從一個側面了解決這個問題對整個機器人技術革新的重要意義。當機器人在未來擁有了一雙和人類一樣靈巧的雙手的時候，可能也就意味著，人類的雙手將在更多的場景中得到徹底的解放。

而DON看起來，則很可能成為將在這場解放運動中發揮重要作用。