人工智能技术在机器人中的应用

卜文锐

（陕西国防工业职业技术学院 陕西省西安市 710300）

随着人工智能技术的发展，近年来各类机器人的智能程度得到了显著提升；而随着该领域各类应用数据和实践经验的积累，人工智能技术也随之不断进步，取得了许多优秀的研究成果。AI技术在各类机器人实用技术中主要体现在智能感知技术、智能导航与规划技术、智能控制与操作以及智能交互等方面。

1 智能感知技术

各类实际应用场景的复杂化使得机器人的应用日渐具有挑战性。机器人的智能感知主要是借助各种不同类型的传感器来实现。

1.1 视觉在机器人中的应用

机器人视觉的实现过程需要经过维度转换，也就是从三维实体到二维图像，再经过一定的处理过程得到可用数据。这些数据通常包括物体的距离、明暗和一定程度的色彩信息，为了获得较好的数据，通常会在良好的照明条件下进行图像采集。机器人视觉方面的应用主要包括视觉反馈（控制机器人动作）、视觉导航（控制机器人移动）和视觉检验（质量控制、安全检测）等方面。

1.2 触觉在机器人中的应用

触觉应用的典型目标是替代多种场合下人类双手的特定功能，往往借助触觉传感器来实现。实际场景中涉及的触觉主要包括接触觉、压力觉、滑觉、接近觉和温度觉等。这一领域的研究难点在于模拟人体运动器官所需要的数据在维度和数量上都非常大，而且单纯引入传感器并不能显著提高机械手完成复杂任务的能力。目前，触觉应用领域的进步主要得益于聚类、分类算法的进步，而机器学习中监督学习、无监督学习和半监督学习方法对于机器人触觉应用的提升起到了明显的助推作用。

1.3 听觉在机器人中的应用

机器人听觉借助听觉传感器实现，在使用过程中，传感器检测并显示声音的波形，将之转化为可被后电路使用的数据样式。机器人听觉广泛应用在日常沟通、工业、医疗、军事和航海、航天等领域。

在具体的任务当中，测量声音的响度和音调、区分左右声源以及判断声源方向往往是对机器人的基本要求；进一步的要求通常包括与人进行语音交流以实现人机对话功能。这一体系当中，自然语言处理（NLP）和语音处理（SSP）技术的发展为机器人听觉的进步提供了有力支持。

1.4 机器学习在机器人多模态信息融合中的应用

在机器人的实际应用场景中，需要采集和处理的数据往往具有多种模态（例如视觉、听觉和触觉等）且具有显著的动态特征。为完成某个特定的任务所采集、处理的大量数据通常属于多模态数据，收集这些数据的每种方法或视角都称为一个模态。机器人分析处理多模态数据的能力是其智能化程度的典型标志之一。

2 智能导航与规划

在无人驾驶、智慧物流和智能仓储等领域，机器人的智能导航与规划是研究者长期以来关注的核心内容。如何在保证机器人安全平稳运行的前提下最大程度地减少人为干预，并以此为基础实现自动避障，是当前研究中的热点问题。

由于机器人在各类工作环境中移动时场景参数的多样性与复杂性，自动避障目标的实现需要机器人搭载的传感器、处理器和运动控制部分的有机、高效协同。机器人的实时处理与反应能力决定了事先编制的各类避障规则能否及时生效。为了提升智能机器人自主行动和避障的能力，当前此类机器人设计当中很大程度上引入了归纳学习策略等内容，机器人在不断的学习训练过程中提升自身的信息处理与实时控制能力。自动避障的基本流程如下：

（1）确定机器人的静态和动态参数。

（2）确定机器人本体与障碍之间的相对位置参数。

（3）根据障碍物参数分析机器人本体的运动态势。

今后机器人智能导航与规划系统将会更大程度地引入各类性能优异地传感器，并将功能从导航拓展到监控、通信等方面，机器人规划最佳路径的能力将随着自身算力的提高和机器学习算法的优化而不断提升。

3 智能控制与操作

机器人的控制与操作涵盖了运动控制和操作过程中的自主操作及遥控操作。近年来，智能化的机器人操控已成为行业当中较为主流的技术。

3.1 神经网络在智能运动控制中的应用

比例-积分-微分控制（PID）、计算力矩控制（CTM）、鲁棒控制（RCM）和自适应控制（ACM）是机器人运动控制比较典型的方法，但由于它们的局限性（例如无法自我学习），传统的机器人系统在复杂环境下的稳定性、鲁棒性和动态性能都不尽如人意。近二十多年来，以神经网络、模糊逻辑和进化计算为代表的人工智能理论与方法在机器人控制领域取得了较为显著的成果。

神经网络的学习能力和非线性映射能力对于优化传统的机器人控制模型有着重要的作用，应用较多的神经网络结构有直接控制、自矫正控制和并联控制等。

（1）直接控制：利用设计好的神经网络的自学习能力，经过一定次数的训练归纳出机器人运动的抽象方程。当机器人运动与理想状况发生偏差时，神经网络直接给出优化后机器人应当具有的动力输出，从而控制机器人合理运动。

（2）自矫正控制：使用训练度高的神经网络矫正系统的参数。该结构采用在线方式根据发生变化的系统模型参数估计新参数值，并将该值输出到控制器以调整系统的状态；其优点是不必彻底解析系统结构且参数估计较为准确。

（3）并联控制结构：通常有前馈型和反馈型两种类型。其中，前馈型神经网络基于机器人的逆动力特性，将常规控制器与网络给出的驱动力矩并行设置。当该力矩大小适当时系统误差较小，此时常规控制器基本不发挥控制作用；反之，常规控制器将起到主导作用。而反馈型神经网络是基于控制器的控制，根据任务要求和实际场景的实时差异生成矫正力矩，使机器人处于应有的运动状态。

3.2 机器学习在机器人灵巧操作中的应用

当前机械制造与AI技术不断融合，促进了泛用性更强、智能交互能力更加显著的服务型机器人的相关研究，相对于传统的工业机器人而言该领域逐渐具有更高的研究热度。根据服务机器人的应用场景，机械手臂在其中扮演着重要的角色。典型任务主要包括实际环境中的目标识别、目标抓取及后续的精细操作任务。这类任务需要机器人能够准确识别目标的形状、姿态、抓取特征、抓取方式，并实时规划机械手臂完成任务的具体方式。

机械手臂完成抓取任务的解决方式分为“分析法”和“经验法”两种类型。“分析法”具有较为严格和典型的数学特征，由于其在模型建立、抓取稳定性判据、指关节逆运动学等方面搜索的盲目性和求解优化的困难，在机器人灵巧操作领域取得的成果有限。然而，“经验法”在近二十年来获得了较为显著的突破。该方法基于大量的训练数据，借助支持向量机等机器学习方法并注重泛化学习能力的提升，取得了良好的实践效果。近年来，加之计算机视觉领域中深度学习的突破，卷积神经网络被应用于目标抓取特征的自主学习，使得机械手臂实时抓取操作的要求得到了满足。

另外，服务机器人操作任务的复杂度使得传统机械手臂的运动轨迹规划方法难以取得显著的应用成果，相对于五次多项式法和RRT等方法，当前模仿学习和强化学习得到了较多的关注。模仿学习是在大量人类专家决策数据的基础上，将状态和动作作为网络的输入和输出，经过一系列的数据构建和算法处理，以分类或回归学习为手段得到最优的输出模型。该过程往往是在深度神经网络的协助下进行的，而强化学习则是在此基础上引入反馈机制以增强学习效果。得益于AI芯片和算法的发展，智能服务机器人与人交互和应对复杂环境的能力有了显著的提升。

4 机器人智能交互

机器人存在的意义在很大程度上可以说是为人类服务，那么与人交互的过程是否顺畅自然就称为评估机器人智能水平的重要标准。当前，人类主要通过语言、表情、动作及与机器人配套的可穿戴设备实现与机器人的各种交互。当然，人机交互的方式包含着巨大的可能性。机器人技术的变革不断影响着人们的生活方式，而在人机交互过程中，AI技术因其与机器人技术的深度融合也在不断进步。

4.1 基于可穿戴设备的人机交互

由于各种机器人在识别人类意图的过程中会遇到各种困难，以各类可穿戴设备辅助机器人采集和分析人类的意图来加强人机交互流畅性就成为十分可行的处理方式。这类场合下的可穿戴设备通常具有集成度高、识别精度高和通信能力强的特点，设备中部署的计算机系统能够持续采集必要的人机交互数据。包含了可穿戴设备的人机交互体系，往往能够充分感知用户的状态数据、意图及周边环境，并结合使用目的适时增强用户对外部世界的感知能力。当前，可穿戴设备支持的人机交互经过多年发展，已逐步拓展到民用娱乐、医疗和科研等领域。

4.2 基于深度网络的人机交互学习

在许多机器人的应用场景中，自动识别人类意图并采取相应行动是评估机器人智能程度的重要指标，也是机器人为人类提供更大便利的基本要求，此类系统比单纯接受语音指令并采取行动的机器人更为复杂，其智能程度也更高。意图理解任务通常发生在动态的场景中，机器人需要充分感知动态态势，理解并预测当前可能需要完成的任务，实现无人类介入条件下的高度人机协作。在这个过程当中，人处于核心地位，其表达出的意图将决定机器人的行动。除了感知语言外，机器人主要通过分析人类行为采取相应的行动。

在识别人类行为的过程中，可选用的参数较多，常用的一种方法是在分析大量人类动作数据的基础上，预测人体关节可能的位置，通过反复识别和预测的训练过程，得到具有一定实用性的预测模型，为人机交互提供帮助。由于深度学习技术的蓬勃发展，当前人类行为识别任务当中研究的行为种类已达上千种。其中，基于LSTM深度神经网络进行分类，并引入视觉深度传感器来分析人类运动过程中骨架运动数据的技术取得了较好的成效。但是，当前各类相关应用场景中，行为识别需要分析的数据量往往还较大，在实时处理短期数据方面还有待提升。另外，由于强化学习在掌握复杂操作技能方面的优势，采用强化学习的反复试错训练机器人的方式也被广泛研究，在交互式机器人智能运动规划中有着巨大的发展潜力。

5 结语

由于集成电路技术、大数据技术和通信技术领域的显著突破，人工智能技术在近年来呈现出爆发式发展的趋势，无论从算法层面还是硬件设计层面都取得了丰硕的成果。机器人是人工智能应用的典型领域，也因而发生了翻天覆地的变化。智能感知技术、智能导航与规划技术、智能控制与操作以及智能交互等领域取得的进展深刻影响着当今人类的生产生活，在算法研究、神经网络训练和新应用领域开发等方面，机器人技术都有着巨大的研究潜力和良好的发展前景。