韩国国立大学机电系教授 , 李群自动化首席科学家Frank C.Park : 工业机器人中的机器学习很重要

很多人都知道, 将机器学习应用于实体机器人是充满挑战的,因为控制行为远比辨认图片中的物体复杂得多。比如让工业机器人自学”抓取多种物品,让工业机器人通过看视频学会调制鸡尾酒,让工业机器人也用上自学习软件,在训练完一个加载在机器人上的机器学习系统后,还要将这个机器学习系统与特殊的机器人动作相适应,来达到工业机器人非常讲究地工业机器人和环境的融合。

但在工业机器人创新创业者眼里,这条路是不可避免的。近日在东莞举办的李群自动化年度发布会上,他们聘任了新的首席科学家Frank C.Park,韩国国立大学机电系教授。在演讲过程中,以一个生动的PPT向我们展示了工业机器人中的机器学习和也可以相当完美。以下是雷锋网截取的精华内容:

三菱电机的Kodaira说过,机器人行业迫切需要系统集成方面的创新,工业机器人只是一个部件,只有整合到系统里它才有价值。但是每个系统都需要专门定制,与其它系统的链接也需要花功夫。因此,整个工业机器人系统的成本往往是3倍到20倍机器人硬件的成本。而这其中,软件规划一项至少占了40%。

要打造符合时代趋势更好的工业机器人(工业机器人库),我们需要通过软件来提高。这其中包括最优规划生成(用最少的时间,损耗最小的能量);任务的制定和优化;模拟(机器人工作单元中的模拟,工厂中的模拟)。

这张图是韩国工业机器人的发展历史:从韩国2002年出现韩国现代六轴机器人到现在irLib 2016极力推崇的动作规划。

这里我要讲的是,irLib除了单个机器人的优化,还能应用于多机器人,多任务的优化。具体包括,在多机器人多任务中,确定机器人的最佳位置,多机器人协同的任务。

下面以端到端的能量轨迹举例。在一个正常的机械臂中,输入扭矩减少30%-40%,能量损失就会减少5-6%。

当然,除了优化,工业机器人中的检验也很重要。

这时候今年各种AI会议上大热的机器学习就派上用场了,机器学习在检验中的重要性不言而喻。比如,基于视觉的机器学习,在查看智能机屏幕,产品标签时都要大量用到。比如,基于声音的机器学习,在检查耳机孔质量的时候能够用到。比如,在瓶口纹路检验的时候能够用到。

换而言之,只要是有感官输入的地方,都能在检验系统里用到相关的机器学习。最后,我想表达的是,我们的目标就是通过更先进的软件和算法,来达到更好的工业自动化。

小结:

在工业机器人中加入机器学习,根据业内人士的说法,目前还只是一个噱头多过于实践的现状。但也有一些人尝鲜者欣然尝试,比如去年十二月份,Fanuc在东京国际机器人展览会上就展示了一台经强化学习训练的机器人,这个机器人使用了一种名为深度强化学习的技术,来训练它自己,可随时学习新的任务。它在尝试拾起物品的同时,能够抓取这个过程的录像。不管每次它是成功了还是失败了,它都会记住物品长什么样的,用它学到的知识改进控制它行动的深度学习模型或大型神经网络。

但面对现在柔性化生产越来越高的呼声,我们不能再像过去一样,让工业机器人要执行一个复杂的新任务时,就花上数周时间来重新编程,可以想象,如果机器人能够在胜任新工作之前看着别人先做一遍就“学会“”这个新动作,这会让现在的工业机器人生产过程产生质的变化。也会让我们在工业4.0的赶超大潮中,不再跟国外的差距那么大。

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2016-07-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

扫码关注云+社区