智能机器人关键技术的介绍

在研发智能机器人的过程中，人们已经掌握了一些关键性的技术，这些技术的应用将为人类的发展带来常规技术难以企及的贡献。

2.3.1.1　多传感器信息融合技术

近年来，多传感器信息融合技术受到科学界的广泛关注，这门技术也一度成为人们竞相研究的热门课题。通过单一的、一般的智能技术，机器人在复杂、动态和不确定的环境中很难正确地执行任务，而通过多传感器信息融合技术与控制理论、人工智能、信号处理、概率和统计等理论和技术的结合，却很有可能达到这一目的。根据不同用途，智能机器人所使用的传感器可被分成两大类，分别是内部测量传感器和外部测量传感器。内部测量传感器包括方位角度传感器、加速度传感器、倾斜角传感器、角速度传感器等，它可以帮助智能机器人检测内部组成部件的状态；外部传感器包括视觉传感器、触觉传感器、力觉传感器以及角度传感器等，主要帮助机器人获取外部信息数据。所谓“多传感器信息融合”，就是将各种传感器所感知到的数据综合起来统一处理。而这些数据被综合处理过后，就会产生更加可靠、准确和全面的信息。也就是说，智能机器人可以通过融合多种传感器系统，更加完善和准确地检测出未知对象的特性，从而提高所获取信息的可靠性。一般来说，通过多传感器融合过的信息都会具有互补性、冗余性、实时性以及低成本性。目前，人们通过不断的探索和研究，已经发明出了多种融合多传感器信息的方法，如小波变换、卡尔曼滤波、神经网络以及贝叶斯估计、Dempster-Shafer 理论等。

2.3.1.2　导航与定位技术

机器人研究领域存在着很多重点和难点问题，而自主导航就是其中之一。因此，这也奠定了自主导航在机器人系统中的核心技术地位。在智能机器人的运动过程中，精确的导航尤为重要。导航的任务有三点：

第一，全局定位。该定位的基础是机器人对环境的理解，当机器人在陌生环境中执行任务时，它会检测和识别环境中的具体实物，并将其当作自身的行动路标，或者作为一种参考系来完成自我精确定位，从而为正确完成任务的路径规划提供合理的素材。

第二，目标识别和障碍物检测。为提高机器人控制系统的稳定性，在机器人的行动过程中，要实时识别和检测障碍物或特定目标。

第三，安全保护。确保智能机器人在执行任务时不会受到外界障碍物和移动物体的伤害。

一个较先进的智能机器人，一般会有多种导航方式。根据环境因素和信号类型的不同，导航可以被分成三种类型，分别是基于地图的导航、基于创建地图的导航和无地图的导航。另外，导航硬件也能决定导航的方式，根据导航是否采用视觉传感器，可以将导航系统分为视觉导航、非视觉传感器组合导航两类。

摄像头是视觉导航不可或缺的重要传感器之一，它可以做到实时对环境进行探测和辨识。目前，视觉导航中包括了视觉信息的压缩和滤波、路面检测和障碍物检测、环境特定标志的识别、三维信息感知与处理等主要内容。而在非视觉传感器导航中，则需要用到多种传感器，包括力学传感器、雷达传感器、光电传感器等。具体过程是，通过探测和感知环境中的动态和静态信息来获得有用数据，及时调整机器人的位置、姿态、速度以及内部状态，以正确的工作顺序和操作内容来适应外部环境的变换，从而有效地对机器人进行导航。

定位是导航的一部分，也是最重要的内容之一。在导航过程中，进行实时规避和全局规划时，都要求对机器人或障碍物的位置进行精确定位。而如何精准确定位机器人或障碍物的当前位置，是科学家一直在研究的问题。目前，比较成熟的定位系统分为两种，分别是被动式传感器系统和主动式传感器系统。

2.3.1.3　路径规划技术

机器人研究领域的重要分支有很多，路径规划技术就是其中之一。路径规划的优化准则可以是一个，也可以是多个，这些准则包括工作代价最小、行走路线最短、行走时间最短等，该技术的研究目的在于找到一条正确完成任务的最优路径。路径规划的方法有两种，一是传统方法，如自由空间法、图搜索法、栅格解耦法、人工势场法等；二是智能方法，如遗传算法、模糊逻辑算法以及神经网络算法等。传统路径规划的方法多应用在全局规划当中，但这些方法并不完美，比如它们会在路径搜索效率和路径优化方面有所欠缺。而利用智能路径规划方法，可以大大提高机器人路径规划的避障精度以及规划速度，从而有效满足机器人实际应用的需要。目前，在路径规划研究领域，模糊算法、神经网络算法、遗传算法、Q 学习算法及混合算法等得到了广泛的应用，并且取得了一定的研究成果。

2.3.1.4　智能控制

随着人工智能的发展，传统智能机器人控制理论存在的不足之处逐渐显现出来，比如无法精确解析建模的物理对象、无法解决信息不足的病态过程等。但经过近几年的发展，科学家们提出了更多的机器人智能控制系统，其中较为有名的有模糊控制、神经网络控制、智能技术融合控制等。近几年来，智能机器人的发展有目共睹，无论是在智能控制理论方面，还是在智能控制应用方面，都取得了巨大进展。比如科学家们发现并论证了模糊系统的逼近特性，还将这一经典理论真正应用到了机器人身上。模糊系统在智能机器人方面的应用越来越广泛，比如在建模、模糊补偿控制、机器人路径控制等方面都有很好的应用。

CMCA 是一种在智能机器人神经网络控制领域很早就已经应用到的控制方法，它可以应用到自由臂的控制中，其明显的优势是实时性比较强。

智能控制方法不仅能极大地提高机器人的速度，还能极大地提高机器人的精度。然而，智能控制方法虽然有种种好处，但其本身也存在某些局限性。比如机器人的规则库如果很大的话，智能机器人在模糊控制中的计算和推理就会更慢；当规则库较小时，又会因为控制信息太少而影响控制精度。对于智能控制来说，抖振是一种不好的现象，因为它的存在会影响到控制的多个方面，但常用的经典智能控制方法，如模糊控制、变结构控制等，都会存在抖振现象。除此之外，在智能控制领域还会遇到各种困难和问题。比如在神经网络控制中，如何确定隐层数量和神经元数一直是科学家所面临的难题。局部极小值问题也是神经网络控制中的典型问题。

2.3.1.5　人机接口技术

智能机器人并不会向完全类人化的方向发展，更不会成为人的替代品。就目前的技术水平而言，完全用计算机来控制智能机器人存在很大的困难，特别是复杂的智能机器人、无法适应特殊环境的低级智能机器人。智能机器人系统以目前的技术并不能脱离人为控制，而通常的情况是，在进行智能机器人系统控制时，都会借助人机进行有效的协调。所以，人机接口技术越来越受到科学界的重视，关于人机接口技术的研究也越来越多，在智能机器人的研究中，人机接口技术成了亟待深入研究的重点课题。

人们之所以会如此重视对人机接口技术的研究，是因为人们渴望与计算机进行交流，从而实现人机互动。而要满足人类的这种需求，一方面需要控制智能机器人的计算机有一个完善的人机界面，另一方面需要计算机理解人的话语和文字，同时也要善于表达，甚至是不同语言间的表达。而对知识的表示方法的研究恰恰能满足计算机这些必备的功能，由此可以看出，人机接口技术的研究不仅具有极大的应用前景，还具有深远的理论意义。随着计算机技术的发展，人们在人机接口技术领域取得了较大的突破，各种优秀的研究成果被广泛应用到实际生活当中，比如文字识别、语音合成、图像处理等都是人机接口技术比较成功的应用。(www.xing528.com)

2.3.1.6　深度学习技术

深度学习（Deep Learning）是现代计算机科学的又一大进步，通过对人脑的神经网络及思维方式的进一步模拟，科学家们可以研发出更为先进的计算机系统。与以往计算机学习不同的是，配备了深度学习功能的电脑系统，在主动性和学习能力上要远远超过一般计算机体系。而就机器人制造方面来说，深度学习理论的提出，对高性能机器人的研发起到了巨大的推动作用，正如日本著名机器人设计师黑石浩所说的那样：“如果不是深度学习，那么人们就可能会为一只能抓举物体的机械臂欢呼雀跃了。”

在深度学习被提出之前，业内对于计算机的认知和探索都是相对朴素的。尤其是在人工智能学习方面，简单的“联结主义”在很长一段时间里引导了该学科的主流思想。“联结主义“的核心观点就是，通过对人脑神经系统的简单复制，模拟出一个可以传递和识别信息的神经网络。在这一套系统理论的支撑下，再借助部分外联感应装置，计算机就可以顺利地感知外界信息，对其进行分类处理。在这一套理论的指导下设计出来的机器人，实际上是不能当得起“智能”二字的，它们只能够进行一些简单的处理，同时能够执行一些预设好的命令和任务。而任何一点偏离主题的概念，都是无法被它们所识别、接受的。

所以说，传统的学习认知模式，同样也是存在极大缺陷的，因为在处理部分复杂运算的时候，相对较小的知识库和选择样本就显得“心有余而力不足”。而且早期的计算机学习，其样本特征都是需要工作人员人工选取的，毫无疑问这为“联结主义”在计算机应用方面带来了更多的阻力。正是由于这些因素，“联结主义”在很长一段时间里都受到了挤压和排斥，与之相关的机器人制造也因此受到了极大影响。

不过很快，科学家们就在过往经验的基础上更进一步，他们将“联结主义”理论下的人工神经网络深挖，开发出一种可以自主筛选样本特征的系统，这就是“深度学习”的雏形。

这一套研究理论，对计算机的学习运算能力起到了极大的推动作用。在此之后，计算机不仅能够处理一些简单的数据信息，还能够对声音、图像进行更高级别的自主化甄别处理。在运算速度和实用性方面，深度学习的出现可以说是计算机科学的一大进步。

对于以上两种理论体系的区别，我们可以进行一个同等对比。简单来说，计算机学习都要经过一个“预处理—特征识别—特征提取—推理识别”的过程。比如有一张印着斑马的图片，当工作人员把它提交给计算机进行识别处理的时候，后者就会利用感应装置对其进行扫描，继而抽取出相关的特征样本，然后做出判断获得结果。

这个过程看起来是非常平淡无奇的，但问题在于，如果一个计算机拥有抽取和识别特征的功能，那么它的知识库当中就必然需要有相应的样本模板。假如这台计算机的知识库当中没有关于斑马的模板记载，那么它就无法对眼前这张图片进行识别判定。这就是说，在进行本次实验之前，研究人员已经在相关计算机的处理器当中输入了关于斑马的特征样本。有了既定答案之后，传感器接收到相关的符号信息，再按图索骥，就能够很快地给出答案。

实际上，这样的逻辑关系可以用更为直观和简洁的方式来表达。如下图所示，当样本“x”存在于计算机知识库当中的时候，它就会引起激活反应，而当知识库当中不存在样本“x”的时候，本次逻辑运算也就是不存在的。

图2-7　深度学习逻辑关系

可以看到，在这个运算过程当中，测试元素“x”是没有变化的，唯一不同的就在于知识库发生了改变。同样一个测试元素进入知识库之后得出的结论截然相反，根源就在于知识库的样本储量问题。在早期的计算机学习阶段，知识库当中的样本都是人工选取的，这是一个非常浩繁的工作，而且随着电子信息技术的飞速更新和爆炸式发展，不可能有人能够凭借一己之力完成样本知识库的建设。幸运的是，这一切问题都在深度学习体系的帮助下烟消云散了。

相比于笨拙的计算机早期学习，配备了深度学习系统的计算机能够在极大程度上模拟人脑对于事物的思维模式，进而对眼前的样本元素进行储备管理，并整理出一套合乎道理的逻辑关系。这样一来，在样本知识库当中，深度学习型人工智能体就拥有了更为强大的识别、判定能力。

那么，深度学习又是如何通过对人脑的模拟，自发运算出各种不同性质的逻辑命题呢？这一点实际上与当代生物科学的发展有着密不可分的关联性。

20 世纪中后叶，美国神经生物学家大卫·休伯尔和托尔斯滕·威塞尔做了一系列关于视觉和动物脑部神经关联的研究实验。他们监测了小猫的脑部皮层，然后在它的眼前陈列各种不同的物品和影像，希望能够借此找出“视觉的秘密”。

在大量的实验之后，休伯尔等人终于发现，当一个物体的边缘出现在小猫视线之内且这个边缘同时指向某个方位的时候，被监测的区域中的猫脑细胞神经元发生了明显变化。这就是说，生物视觉是由不同的脑体皮层神经元自主掌控的，不同的图像进入生物视线之后，相关的大脑神经元就会自主工作，并且将这些图像抽象为符号信息，向上传递。

这个发现很快被人工智能专家们所借用，他们将原来相对质朴的神经网络进行强化加深，随后形成了一个互相勾连，同时又包含多重神经网络皮层的模拟脑体。在这个人工网络体系当中，犬牙交错的神经皮层可以模拟人脑思维和运转机制，对图像、声音等复杂元素进行整合处理。

这就是说，深度学习有了一定的自主推算能力，这是它与早期人工智能最为直观化的区别。毋庸置疑，在深度学习理念被引入到计算机科学中后，原本趋于停滞的人工智能研发热潮被再一次掀起，而各种能够识别复杂图像，进行高性能运算的电脑也如同雨后春笋般出现，这一点对于更高级别的智能机器人研发起到了不可忽视的作用。

除此之外，人们对人机接口技术的研究还促进了其他多种技术的研究，比如交互技术、远程操作技术、监控技术以及通信技术等。人机接口装置是人机接口技术的组成部分之一，如今，它越来越受到科技龙头企业的重视，并逐渐成为了这些企业主要的生产对象之一。

智能机器人的关键性技术是研究智能机器人的基础，随着科学工作者对智能技术研究的不断深入，智能机器人将越来越智能，越来越符合人类发展的需求。在众多智能理论和关键技术的支撑下，未来智能机器人研究的方向将日益明朗。