首席机器人科学家坐镇，你想要的AI算法与软硬件设计的问题都在这

机器学习已经无处不在，持续在各类新闻中霸榜，随着人工智能成为新基建的七大领域之一，人工智能+的概念呼之欲出，作为人工智能重要支柱的机器学习技术，未来必将会在更多的传统领域，包括医学、金融、安全等等攻城略地。

本期我们邀请到人工智能领域专家@dj-zhou周定江博士，参与电路城论坛第五期大咖问答(4月13日 ~ 4月26日）（注：本期周老师的大咖问答活动已经结束咯，本期内容只包含大咖问答的内容整理）

大咖介绍：

周定江博士，机器人和人工智能领域专家，曾就读于波士顿大学机械工程系，并获得博士学位。上海某智能科技有限公司联合创始人、前首席科学家。现就职于美国某智能机器人公司，任高级软件工程师。

职位：某智能机器人公司前首席科学家，现美国某机器人公司高级软件工程师

本期话题：人工智能

本期话题涉及的内容：

· 人工智能算法

· 机器人软件架构

· 电子硬件控制系统

· 深度学习机器学习

Q & A

问答内容整理如下：

Q：请推荐一个人工智能学习路线图？

A:首先要有基本的编程基础，这个相信大家都会有。

然后应该手把手地去学习其他人的项目，可以不用懂原理，但是要懂基本的流程。

然后可以熟悉各种模型，知道他们的优缺点，训练速度。

如果需要再深入的话呢，一切都是数学了，比如说基本的线性代数的理论，向量、矩阵的各种变换，属性，向量微积分，统计与概率、非线性优化。有深厚的数学基础的话，才不至于做调参侠。重点还是要上手练习。

Q：机器人神经网络学习需要具备哪方面的知识？

A:机器人的话，如果以实践为主，就有电路、控制、通讯、电机驱动、传感器、图像处理等各方面的知识了。国内比较经典的教材有付京逊的《机器人学》，这本书比较老了，但是一直很经典，理论方面的知识也比较通俗易懂。国外的教材有李泽湘教授和Murray教授及Sastry教授的A mathematical Introduction to Robotic Manipulation，这本书也很老，发表于1994年，但非常经典，理论深度也非常深，比如讲了Twist和Screw Theory，这个在后来机器人的理论研究中用得非常多。也讲了李群和李代数，这个比较难懂，但是它很有用，比如SLAM的理论里面也用它，是不是很神奇？国外简单一些的教材，有Mark W. Spong的Robot Modeling and Control，在国外可以当本科生教材，和付京逊的书相差不是很大。难一些的书，有Kevin M. Lynch和Frank C. Park的Modern Robotics，用了比较多的李老师书里的知识。李老师的学生，Yi Ma的书，An invitation to 3-D Vision，也大量使用了李老师书里的内容。

（神经网络学习我另外回复一下吧）

Q：您好！晶圆测试需要采集什么样的数据？

A:晶圆测试可以采集图像数据吧。然后经典的图像处理的算法，应该可以做很多这方面的测试。比如，边缘检测，图像连通性分析，等等。如果采集了很多图像数据，后面也是可以用机器学习的办法来检测的。

Q：工业机器人在PCB行业有哪些应用？

A:工业机器人可以代替重复的人工，减少错误，重要的是，可以让我们电路板打样变得非常便宜呀，而且打样时间变得非常短。当然，工业机器人也可以用作物流搬运的工具，这是目前机器人技术的一个发展方向。

Q：请推荐一个人工大佬，我想问问目前前沿对专科应用类学生的安排是工具人还是辅助研发智能学习路线图？

A:工具人呢还是辅助研发，这其实看个人的职业规划了。很多项目可能只需要调用一下模型，训练一下，就可以落地应用了，但这是属于研发呢，还是仅仅是把机器学习当一个工具使用了一下呢？这似乎并没有明确的区分。

Q：机器人神经网络学习需要具备哪方面的知识？

A:神经网络学习方面，如果是要深入学习它的原理，基本上都是数学知识了，包括线性代数，矩阵分解，概率与统计，状态估计。实际上，这些数学知识的基础，又是机器人理论的数学基础。数学方便，推荐一本最近刚出版的书，可以直接下载的，不过是英文版：Mathematics for Machine Learning。下载地址：https://mml-book.github.io/。我也正在学习（也可以说是在复习）这本书，感觉非常不错，知识讲解比较透彻。它的github上面还可以提issue的，发现typo什么的，都可以直接向作者提。

实践方面，主要是需要熟练使用目前比较流行的机器学习框架，比如tensorflow。国内也有开发了比较好的框架，比如旷视最近开源的天元。

Q：您好，我想问现在国内对于强化学习在机器人当中的应用主要有哪些？

A:强化学习区别于监督和非监督学习，不需要喂大量的数据，而是在“机器人”实际运行过程当中，慢慢地从运行的“经验”上获得反馈，慢慢让自己的运行更加符合实际需求。但是这里就有一个问题了，对于工业类的机器人，前面的不断试错(比如机器人行走过程当中碰到障碍物就知道这个行走的方向不对，以后不要走了），是不是可行的呢？似乎并不可行啊，工业机器人需要稳定性，需要在任何时候都不能撞到障碍物。目前来看，大部分应用就是在游戏里面了。几年前流行的一阵子的flappy bird的游戏，就有人做了个工具，盯着手机屏幕，玩，比人手操作要强多了，很可能就是用了强化学习的技术。

我所了解的信息也可能比较有限，希望早日看到强化学习在真实的机器人上的应用吧。

……