机器人4.0研究报告：云-边-端融合的机器人系统和架构（33页）

行业报告下载 2019年08月05日 06:25 管理员

针对这些需求，英特尔中国研究院提供了面向机器人 4.0 的基础通用参考平台——HERO系统平台。底层是硬件计算平台，上面是软件层。机器人 3.0 的部分，包括基本感知和交互、运动导航、规划、操纵。机器人 4.0 部分更多支持自适应交互和持续学习，包括三维场景的语义理解和个性化的知识图谱。

HERO 平台不仅可以提供基础的软硬件能力，并且可以基于该平台进一步扩展。例如，异构计算平台可以加入第三方硬件加速模块，知识图谱可以针对特定应用领域去扩展该领域的通用知识图谱，可以利用其中提供的动态知识图谱部分来获取动态的人性化知识。自适应学习部分也可以加入更多的感知模块来增强已有的感知功能或补充新的感知功能（这部分更详细的信息可以参见自适应机器人交互 2.0 白皮书[11]）。

7.2. 知识融合越来越多的研究者认为，人工智能技术将会从模仿人的行为和决策过程过渡到了解人类的学习能力和运用知识的能力 [12]。在数字化时代，越来越多的信息被分析和存储后，将被映射为结构化的知识库。知识工程和人工智能的结合，会大大提高模式识别和机器学习算法的精度。随着认知科学、机器人学、自然语言理解等相关领域的发展，将催生出超越现有 Apple Siri、 Google Now、IBM Watson 的推荐系统和问答系统，并且会跨越不同语言的边界。通过建立知识库和智能算法的良性循环，不断完善对假设的验证，实现预测和自我诊断。 7.3. 众包与群体智慧深度学习算法在语音识别和图像分类中取得跳跃式发展的成绩，很大程度上得益于规模足够大的数据集、以及通过众包技术给训练数据打标签的做法。在过去十几年，众包技术[13]从早期的创造内容 Wikipedia，到标注数据 Amazon Mechanical Turk，到投资创新项目 Kickstarter。在下一阶段，群体智慧将会扩展到创造新产品、打造新服务。未来的众包任务会更加细分、更加多样化[14]，和人工智能算法有关的包括标注数据、训练模型，和人类增强有关的包括提出问题、做出决策，和云端融合有关的包括可视化工具和人机交互接口。 7.4. 仿真训练在物理世界收集训练数据，让机器人从头开始学习决策策略，会遇到很多挑战。收集过程通常费时费事，有些任务会对人带来危险，有些极端案例不容易收集到。计算机图形学与仿真技术可以解决上述挑战，通过在虚拟场景中配置不同的环境和任务参数，分解机器人的感知、决策、控制模块，搭建模块与模块之间的状态表征方法，实现从虚拟仿真到真实操作的跨越 [15]。目前，基于增强学习框架，在奖励函数和机器人操作之间形成映射和迁移关系，在模拟器中超实时地迭代训练，可以大大缩短训练时间和降低学习成本。 7.5. 机器人即服务机器人即服务结合了云计算、人工智能、机器人学、虚拟现实、自动化等，是数字经济时代的全新业务模式[16]，是“软件即服务”、“平台即服务”、“基础设施即服务”之后的新型服务模式。通过租借机器人服务，企业能够以低成本、灵活、方便的形式完成不同的任务。机器人本体需要提供动态、可定制、可编程的接口和模块，即可以在零售、农业、健康、物流、教育、制造等不同领域，填补日益扩大的劳动力短缺的缺口，提升运营效率，提高投入产出比。就像智能手机与手机应用市场的经济模式类似，未来的机器人服务会激发硬件工程师、软件工程师、交互设计师、产品经理、算法工程师、人工训练师等参与，协同打造出机器人的应用市场、模型市场、技能市场、服务市场等。预计从 2016 年到 2026 年这十年间，机器人即服务的市场规模会增长到 340 亿美元，复合年增长率达到 66%[17]。

机器人技术是多学科交叉的科学工程, 涉及机械、电子、计算机、通信、人工智能和传感器，甚至纳米科技和材料技术等。毫不夸张地说，智能机器人是人工智能应用“皇冠上的明珠”。近年来，人工智能和机器学习获得快速发展，但机器人个体的自主智能距离人们的期待还有较大的差距，影响了机器人产业的规模化发展。如何利用跨领域的技术推动力，加速对机器人的赋能是机器人产业亟待解决的问题。本机器人 4.0 白皮书针对当前机器人产业现状和瓶颈，提出构建云边端一体化的协同计算平台，并在此平台上支持机器人持续学习和协同学习的能力，实现基于个性化知识图谱和场景自适应的融合，通过协同创新实现机器人产业规模化。边缘计算是最近几年提出的新概念，其推广和落地非常依赖于具体的应用，尤其适用于对实时性要求较高的场景。机器人应用正是非常合适的应用场景。边缘实时计算加上云计算的无限处理能力，可以大大提升机器人本体的人机交互和场景自适应能力，也会增强自主移动和感知能力。通过基于 5G 的云边端一体化，机器人本体的能力设计具有很大的弹性空间，从而解耦对机器人本体硬件能力的依赖，降低成本，推动大规模的部署就成为可能。由于篇幅所限，白皮书对有些相关的问题没有深入探讨，例如机器人的灵巧操控技术、多模态感知融合技术、多智能体学习等等。我们希望未来通过深化产业协同创新，对这些问题继续探索。