机器人技术的下一步：在现场，边缘推理

WTWH Media的丹卡拉（Dan Kara）在AI World 2019上表示，人工智能使一代人能够``思考，感知和行动''。

机器人是AI的关键应用程序，除了麻省理工学院的Julie Shah作了精彩的全体演讲外，整条曲目都专门介绍了机器人技术中的AI。WTWH Media机器人和智能系统副总裁Dan Kara概述了构建机器人的一些挑战，他澄清说，这不是聊天机器人，而是在现实世界中起作用的机器人。他说：“似乎每年都快要到来了，”但今年的风潮越来越大。

卡拉认为，到目前为止，机器人技术是我们在人工智能和机器学习领域的大部分工作的基矗他说：“直到最近，您才开始将人工智能或机器学习转移到不同的实验室。” “一次，他们被认为是同一件事，因为那是工作的方向。” 早期在面部识别，加速度计，自然语言处理，超小型相机等方面的研究来自机器人实验室完成的工作。它们天生具有协同作用，”他说。

卡拉说，在过去的十年中，人工智能和机器学习迅猛发展，认知能力，物联网，大规模数据和无处不在的连接性方面的进步正渗透到机器人技术中，为机器人“思考，感知和行动”创造了途径。

在过去的五年中，我们看到机器人技术已经从注重硬件转变为注重软件。“例如，如果您问运行iRobot的人，他们的工程师中的大多数（超过四分之三）都是软件工程师。您将在世界领先的机器人中心看到越来越多的这种情况。” 在期刊文章中，我们看到了相同的趋势：他观察到，致力于机器学习和机器人技术交叉领域的工作呈爆炸式增长。

卡拉说，物理世界中正在执行抓取，操纵，自主导航和定位等任务的机器人需要加强学习，而有监督，无监督或半监督的学习可能更适合于其他应用。卡拉说：“更加强调实时学习和支持这种学习所需的软件。”

实际上，Kara解释说，事实上的标准正在成为链接到云服务的机器人操作系统（ROS）。亚马逊去年11月推出了AWS RoboMaker：这是ROS的云扩展，具有开发环境，模拟工具和车队管理。RoboMaker提供了从ROS到Amazon后端服务包（例如，用于语言生成的Amazon Polly）的扩展。这些类型的程序包可以轻松地包括面部识别和对象识别，但是它们还没有冒险进行操纵，抓握或导航。Kara预测：“我怀疑这种特定产品将会到来。”

亚马逊并不孤单。通过Microsoft的Visual Studio，您可以访问ROS节点以获取功能，同时以Azure为自然语言处理，对象识别，车队管理和其他工具。Facebook有一个名为SciRobotics的产品云，由他们与卡内基梅隆大学共同开发，是这些用于ROS的软件包的所在地。Google还推出了一个产品：Google Cloud Robotics平台。

程序化团队合作模型

卡拉说：“我们已经从专注于使用单个机器人系统的时代转移到现在的多机器人系统以及它们如何协同工作的时代。”

看起来好像一群仓库机器人在进行复杂的舞蹈合作，但实际上我们还没有。肯尼索州立大学计算学院助理教授迈克尔富兰克林（Michael Franklin）解释说，这仅仅是避免障碍。他指出，根本没有任何障碍。尽管对机器人进行了编程，使其不能相互撞撞，但他们不知道自己在回避什么，并且它们无法协同工作。

富兰克林认为，多主体，多团队的情况非常复杂-以滑铁卢战役的快速历史课程为证。

富兰克林说，在机器人或其他地方的AI并没有制定战略。它是被动的，始终将自己的任务大化。他认为，我们还没有建立能够理解团队合作精神的人工智能。在团队中，个人为了更大的目标而牺牲自己。

他提出了一个基于层次代理的模型，在该领域的边缘有智能代理。每个代理都可以访问从队友那里收集的知识；最重要的是，有针对该任务的政策；最重要的是战略，最后是情报。但是推理不仅会自上而下。每个代理都是一个智能参与者，可将数据反馈给模型。即使通信中断，边缘代理也可以处理最新的数据。

这是我们仍需实现的愿景，但Kara认为，边缘智能是机器人技术研发的未来。机器人-作为高度感测的物理设备-充当边缘集线器，收集来自其他传感器的反馈，合并该数据并继续发送。

“如果您与云计算/人工智能或云计算/机器学习基础设施参与者中的一些领导者进行交流，例如世界各地的谷歌或世界各地的微软，他们会认为机器人系统只是超感应，超智能的边缘设备，”卡拉说。

现在重点介绍边缘推理，并且Google正在研究联合学习。“所有这些都与我们想要使推理实际上不在云中完成，而是实际上在设备本身上完成这一想法紧密相关。您会看到来自Google以及NVIDIA和QUALCOMM以及其他各种厂商的专用处理器都在强调这一点，”他说。

当机器人从仓库的笼子里出来时，这将更加有用。“如果您正在处理稀疏数据，那么在建筑物之外的世界其他99％呢，结合不同类型的模式，需要更多的经验来驱动？” 卡拉问。

尽管到目前为止，大多数重点都放在商业智能上，但事后事实证明，现场机器人技术将需要不同类型的学习和智能。“能够带来大价值的系统类型可以减少事件发生和反应时间之间的时间和响应。” 他指出，现场机器人技术是大的投资。

需要新的学习模型（联合学习，紧急学习和持续学习）来训练该领域中存在的系统，并且需要新的硬件和软件类来支持边缘推理。