深度学习对工业机器人发展的促进作用

任浩然 徐云鹏

（洛阳科技职业学院 河南省洛阳市 471000）

从首台工业机器人诞生开始，相关的技术与产品得到了迅速发展，并深刻改变了人们的生产、生活方式，利用计算机，可以实现视觉功能，让机器人实时接收指令，按照编写好的程序来完成工作。在工业4.0时代中，工业机器人发挥着十分重要的作用，推广工业机器人，可以替代以往的人工重复性劳动，将工人从劳累、枯燥的环境中解放，也可有效降低生产成本，优化生产效率。在这一背景下，制造业开始大范围的推广工业机器人，在工业机器人的推广过程中，面临识别、定位等阻碍，为了解决该种问题，需引入深度学习技术。

1 深度学习概述

深度学习思想与人的神经网络类似，人的视觉系统在处理信息时，是采用分级处理的方式，由低层神经细胞负责提取边缘特征，高级神经细胞进行迭代、抽象，在高层特征、低层特征的结合下来实现信息的处理。深度学习就是借鉴了这一处理方式，能够构建出大量隐层的机器学习模型，借助海量训练数据来提升分类以及预测工作的准确性。深度学习是实现人工智能的重要路径，在2007年，Geoffrey Hinton等人在前人研究基础上提出了新型训练算法，借助多数分类、回归等机器学习模型，能够解决一定的复杂分类问题，与传统的浅层神经网络模型不同，深度学习性能是由模型深度来决定，能够利用逐层特征映射让分类、预测变得更为准确[1]。

机器学习是一门新的研究学科，是通过计算手段和经验来优化系统性能，也就是说，这一技术是借助算法让机器从历史数据中发到规律，以此来预测未来、进行智能识别。在当前的人工智能、机器学习研究中，深度学习理论是一项重点，受到了国内外研究人员的高度关注。传统的神经网络在算法设计上主要是采用了反向传播的算法，但是由于其效率低下和容易陷入局部极小状态的缺点，导致在遇到复杂数据时的运算结果难以达到人们的预期，至此，深度学习算法应运而生，常见的深度学习模型，包括如下几种类型：

1.1 全连接神经网络

全连接神经网络属于基本神经网络结构，包括输入层、隐藏层以及输出层组成，输入层负责数据的收集，隐藏层可以设置为一层，也可设置为多层，各层之间利用权值连接，应用了非线性激活函数，为网络赋予了学习任意非线性函数的能力。应用了全连接神经网络后，可以显著提升检测的准确率，相较于以往的机器学习算法，有效优化了检测性能[2]。同时，全连接神经网络增加了各层结点个数，但是，如果节点数和层数太多，会出现拟合问题，影响泛化能力，容易出现梯度爆炸的问题，因此，在实际操作中，很少使用纯全连接神经网络。

1.2 卷积神经网络

卷积神经网络是模仿大脑来实现人工智能的一种数学算法模型，有着信息分布式并行处理、非线性的特点，通过调整神经元的权重来达到处理信息目的。卷积神经网络最早在1980年诞生，属于前馈化的神经网络，在2012年，Hinton等人提出CNN模型-Alexnet网络，取得了良好的分类效果，极大的带动了卷积神经网络的发展，为了进一步提升图像识别准确率，在2014年，Szegedy等人提出了GoogLeNet，在图像分类任务中取得了良好效果。同年，Simonyan等提出了VGG-net网络，有效优化了网络特征提取能力，减少网络参数，解决了深层网络在训练时的退化问题。

卷积神经网络是基于全连接神经网络基础上诞生，具有权值共享、稀疏连接、泻化功能，空间特征学习能力更强，应用卷积神经网络，可以有效的提取出网络流量的解空间特征。通过该种方式，做到了端对端加密流量异常检测，有效减少参数量，但是，在具体的应用过程中，也存在梯度消失、梯度爆炸问题，为了解决上述问题，可应用残差网络来提升网络深度和图片识别质量。

1.3 循环神经网络

循环神经网络能够利用隐藏状态单元，将各类信息传递至当前时刻，提取到流量的时序特征，但是普通循环神经网络无法满足长时记忆要求，这就需要应用长短实记忆网络。在实际的操作中，可以将数据包作为“词汇”与“句子”，应用长短时记忆循环神经网络来分析网络时序行为。

2 工业机器人的研究进展

在人工智能、机器人技术的发展下，各类机器人软硬件、智能算法出现，各个国家为了应对科技挑战，出台了一系列战略，如美国的“工业互联网”、德国的“工业4.0”、中国的“中国智造2025”、日本的“重振制造业”等，进一步推动了工业机器人领域的研究，工业机器人、人工智能技术得到了紧密结合，成为下一阶段机器人领域的研究热点。

利用工业机器人为生活、劳动生产服务，营造出智能化、高效化的社会环境，是人们追求的美好愿景，具备机器人肢体，又具备人类智慧的工业机器人，是学界追求的发展目标。传统工业机器人融合了光学工程、机械、自动化、电子工程等核心技术于一体，从首台机器人诞生至今，工业机器人的应用已经超过了60年，相关的技术与配套产品已经发展成熟，目前，工业机器人在手术医疗、物流、生产制造等领域中都有了广泛使用，不过，在原有的技术线路上，工业机器人也遇到发展瓶颈，人工智能与工业机器人的交叉融合，能够满足新时期人们的需求，颠覆传统的工业机器人发展格局。

近年来，人工智能技术实现了迅速发展，在教育医疗、安防监测、语音识别、智能机器人、自动驾驶等领域中都由广泛使用。如，在在线购物、新闻资讯领域，可利用人工智能提取用户特征数据，为其提供个性化推送；在安检支付中，人脸识别成为了必备方式，可提供安全、便捷、快速的使用体验；在医疗领域，利用医疗图像数据诊断、大数据专家系统可对疾病进行辅助诊断；在自动驾驶领域，应用深度学习方法，能够对驾驶员的状态进行检测与分析，并自动感知周围的环境。

鉴于视觉与语言技术的应用普遍性，深度学习成为当前人工智能领域中的研究热点，深度学习能够应用多层非线性方式对数据进行处理，分析出样本中的特征规律，构建潜在假设模型，其本质是一种多隐含层神经网络。得益于大规模数据的累积、硬件算力的提升，深度学习方法适合应用在监督、无监督两种训练模式中，能够对数据进行分类、检测、分割与识别，其中，最为常见的两种深度学习模型就是卷积神经网络与循环神经网络，分别适用于自然语言处理、计算机视觉与语音识别领域。

3 工业机器人发展面临的瓶颈

3.1 通信问题

在工业机器人的通信设计中，需要应用到多个关键技术，机器人的交互也是利用综合传感器的数据来实现，将数据转化为准确、可靠的信息支持，再采用信息融合的方式对外部环境数据进行监测，利用自身指令来进行规划，从而满足机器与人之间的交互要求[3]。当前，多数工业机器人都具备信息获取能力，但是信息的深度融合、有效分析能力还有待提升，由于缺乏这一能力，在外部环境发生变化时，无法及时解决，难以满足机器人的互动与通信要求，严重影响机器人的工作效率。

3.2 协作学习问题

工业机器人的协作学习是利用合作、通信、协商的方式来满足知识共享要求，为其他机器人提供借鉴和警示。在工业机器人的联合作业中，协作学习起着重要作用，受制于技术水平的限制，目前的工业机器人还没有实现真正意义上的协同。通过单个机器人，无法对分组目标、自身特征进行表征，严重影响了机器人的学习效果，这是下一阶段需重点关注的问题。

3.3 安全问题

关于机器人的研究是目前学界关注的热点，但是，在工业机器人的应用过程中，却表现出一系列的安全问题，最为著名的就是2015年发生在德国的工业机器人杀人事件，在安装机器人工作的过程中，撞击到一名男性工人，工人在被铁板重压后不幸身亡。数据显示，有超过50%以上的工业机器人伤人事故都是由于人为因素导致，但是，工业机器人本身的发展历程就不长，在技术层面还存在不完善的问题。之所以出现工业机器人伤人问题，主要是由于机器人无法很好的区分出人与其他工业部件的差别，对此，需要为工业机器人赋予模式识别、机器视觉能力，使之可以分辨出人与其他工业部件的不同，以此来杜绝伤人问题。

4 深度学习对工业机器人发展的促进作用应用

4.1 借助深度学习来优化系统通信

机器人的通信问题涉及的内容十分复杂，既有群机器人、系统之间的通信问题，又有机器人、人之间的通信问题。通过多个机器人之间的学习、交互、控制，可完成各类复杂任务，要在目标驱动下实现群机器人的交流与协商，首先需要解决的就是通信问题[4]。而深度学习的诞生能够有效解决工业机器人的此类问题，为通信提供了技术保障和算法支持，让机器人具备了任务型学习、合作型学习、环境特征学习能力。

4.2 借助深度学习来满足协作学习要求

在1983年，BM随机递归神经网络诞生，该种技术是通过数据的学习来解决各类复杂的协作、学习问题，利用深度学习，可以有效满足工业机器人的协作学习要求。研究工业机器人的协作学习问题，就是为了提升学习者的综合能力，使其各项能力可以得到平衡发展，如果可以让多个工业机器人之间并行工作，并分享相关信息，那么工业机器人的运作就能够做到相互促进，从而显著提升生产准确性，优化工作效率，有效简化工业机器人工作的繁琐流程。即便在工作的过程中发生障碍，也可以利用深度学习来更正措施，将信息分享给其他的工业机器人[5]。

4.3 利用深度学习解决系统安全问题

在工业机器人的应用过程中，最为广受诟病的就是其引发的安全问题，尽管多数安全问题是由于操作者本身安全意识缺失、操作不当所造成，但与工业机器人本身也有密切关系。如果在操作人员发出求救声时，工业机器人能够迅速识别，那么就可以避免对操作人员造成伤害，反之，在操作人员求救时，工业机器人无法识别，就很可能造成人员伤亡的悲剧。借助深度神经网络，可以有效解决这一问题，能够针对语音识别系统来建模，提升语音识别正确率，在应用了这一技术后，工业机器人在后续的工作过程中，可以更好的理解操作者的要求，不断修正错误，更好的理解操作人员要求，解决这一技术在应用过程中出现的安全问题。

5 结语

可以预计的是，在未来一段时间内，工业机器人的发展将会表现出精喷化的趋势，随着人口老龄化程度的加深和人工成本的提升，各个产业对于工业机器人的需求量也将会不断增长。就当前来看，我国在工业机器人的研究上，还处于初级阶段，其中，还有大量的问题尚未得到解决，将深度学习应用在工业机器人的研发中，能够为工业机器人提供更为可靠的技术支持，解决其应用过程中的安全、通信、学习等问题，也会为工业机器人的大范围推广提供新的契机。