WRC2017 专题论坛演讲实录丨陈小平：《智能机器人：变革时代的应用需求与研发方法论》

正文

请到「今天看啥」查看全文

我们知道，机器人除了交互以外，它的运动方面实际上是有两大类功能，一类是移动，前面两个报告都在集中介绍移动方面的一些最新的进展，一些前沿的成果。还有一个方面是机器人的操作。说到操作，可能我们马上就想到，工业机器人的操作不是已经做的很好了吗？但是现在如果我们用变革时代的观点，看一看未来我们的产业需要一些什么样的操作，我们就会发现，其实我们还有很大的挑战。

我这个问题的提出是这样的：56年前，工业机器人就在生产线上使用了，具体发生在通用汽车的生产线上，至今已经半个多世纪过去了。另一方面，20年前的人工智能，具体说是IBM的深蓝，已经在博弈问题中首次战胜了人类。这么长时间过去了，在产业应用中工业机器人是成功了，成功了很多年，但是智能机器人，或者说用到其它领域的机器人，比如用到服务、救援等等领域的机器人，为什么至今还不成功？

为了回答这个严峻的问题，让我们简单的回顾一下工业机器人，这里我说的都是操作方面。传统工业机器人是一种刚性机器人，它的结构很简单，基于关节和连杆结构，每个关节都是借助运动学计算，用实现编好的程序控制所有关节角度，使机械臂末端达到指定位置。这一套办法做下来很成功，重复精度可以达到亚毫米级甚至更高，重复几十万次误差在零点几个毫米，甚至0.0几个毫米。

我们往往觉得，好像只要机械臂做得重复精度达到那么高，在制造业的应用就没问题了。其实真实的情况不是这样的。事实上，当我们在工业制造需要操作一个工件，这个工件是需要用一些装置去做定位的，比如用一些夹具，这是一个夹具示意图，其中的夹具把工件夹住，而且要把它定位得非常准。所以，机械臂误差是亚毫米级，意味着同时也必须让工件的定位精度达到亚毫米级甚至更高。否则，这个手臂总是基本在同一个位置上进行操作，而被操作的工件的位置跑了，那你这个操作根本就不能达到要求。所以实际上在目前的工业应用中之所以能够成功，不仅是因为工业机械臂达到了很高的重复精度，而且工件的定位借助夹具等装备以及复杂的测量，也达到了非常高的精度。

所以现在我们得到这样一个观察：工业机器人应用的精确性实际上是由两个方面来保证的，一个是手臂的精确性，还有一个是环境的精确性，及通过生产环境的精确化改造达到的精确性。但是，这样做其实是有代价的。第一个问题就是这些夹具是非标准化的，刚才这个图就反映了这一点，如果加持工件的形状不一样，往往需要的夹具也不一样。在现场布置的时候，效率也比较低。现在夹具等辅助设备的成本已经占到机器人成本的40%，而整个生产线的成本就更高了。一条生产线里面机器人成本如果是1的话，整个生产线的成本在国内要达到3-5倍，在国外是3-8倍。也就是说，绝大部分开支不在机器人上，而在整个生产线上，而且还需要做到环境的精确化，所以成本高、效率低。一中替代方法是借助视觉观察，如果看得准就不要夹持工件了。现在这个方向确实在进步，但是目前要做到这样高的精度，视觉技术的成熟度从产业的角度来说还是达不到要求的。另外还有很重要的一点，就是在实际应用中存在着大量不能使用夹具的操作对象或者应用场合，也就是说有大量的场合不能用这套工业的办法，这对现有主流技术提出了极大的挑战。

传统的主流控制策略我在ppt上列了几条，从名称上就可以看出，这些技术试图产生一定的适应性，以降低对环境精确性的要求。但是，其实目前并没有完全做到。我们不说这些具体的技术，我们看看传统的控制原理，其实就是两类。第一类是基于决策论的精确控制，它的原理就是我用这样一个框总结出来的，当然用的是专业术语，有状态集、行动集、回报函数、概率转移函数。概率转移函数是其中一个核心，用概率转移函数计算值函数，计算最优策略。这一套方法在理论上很完善，有很多理论成果。但是在机器人上用这一套东西就比较难了，一个原因是计算效率不够，再一个是概率转移函数。到目前为止根据我们的了解，人类几乎从来没有得到过一个真正实用的大规模的概率转移函数。所以这套办法理论上很好，在实际应用中还需要做简化和优化。在机器人中是用运动学、动力学做简化，这个效果是非常好的。所以实际上传统的控制策略是决策论模型的优化实现，但是存在着局限性，就是以大量场景限制为前提，以昂贵低效工程部署为代价，在传统制造业部分领域获得成功。这是我们的一个观察：目前出现了更大量的应用场景，可能几百倍、几千倍于传统工业场景，用传统工业机器人的办法是有问题的。

请到「今天看啥」查看全文