「机器人」前沿综述丨机器人技术——从自动化到智能系统( 二 ) |技术|人工智能|无人驾驶|

本文插图
图2. 智能机器人在农业领域的应用
自动化机器人与人类以及其他手动操作机器之间的交互是一个更为复杂的问题。该研发领域的一个热门课题便是城市环境中无人驾驶汽车（autonomous vehicle ， AV）的运行（图3）。
一辆AV必须以一种可预见程度高且非常安全的方式与其周围动态变化的世界进行交互。其感知系统负责在所有可能出现的环境条件下提供车辆周围的完整信息感知，这包括车辆附近的所有固定、移动物体的位置。此外，安全的AV运行还需要估计其他驾驶员和行人的意图，以便能够对突发情况进行预测并相应地制定应对策略。

本文插图
图3. 在大学校园内运行的AV电动汽车
大多数汽车制造商及相关研究机构目前正在投入大量资源，以期在未来几年内引入这项技术。这加速了与自动化相关的所有领域的进展，包括新算法的开发以及低成本传感能力和计算能力的构建。
通过利用各种传感器，如激光器、雷达、照相机和超声波装置等，我们在机器人的感知方面取得了重大进展。每种模式的传感器都有其优点和缺点，任何强大的设计都必须对不同的传感器类型进行组合才能实现功能的完整性。
任何种类的传感器都可能会出现故障，这可能是由天气或其他环境因素等多种情况所造成的。正如我们所熟知的，尽管相机可以获取优质的适宜分类的纹理信息，但是在大雨、大雪以及极端雾霾天气下，它的表现总是不尽如人意。而激光可以为我们提供良好的距离信息，对于雨水环境也更具鲁棒性。然而蒸汽、重尘、烟雾等环境对它的影响是灾难性的。众所周知，雷达在各类天气情况下均表现稳定，但它却缺少其他感知方式所具有的分辨率以及判别能力。目前，我们的主要研究方向即是致力于融合不同模式的传感器，以保证在所有可能的作业条件下其传感能力的完整性。
另一个取得巨大进步的领域是深度学习。大量计算和内存资源的使用使得我们可以训练具有大量数据的高维模型。深度学习的最大优势在于我们不需要设计特征以训练模型。该技术中的视觉传感自动标定技术，也就是我们通常所说的语义标注技术令人印象深刻（图4）。上述方法使用大量数据来训练卷积神经网络以实现自动地对图像中的每个像素进行分类，并与可能集合内的类进行对应。上述网络的一个突出优势在于它们可以被重新训练并在计算量相对较低的其他场景中取得应用。这通常被称为“学习转移” 。这些技术是现今最先进的高级驾驶辅助系统（advanced driver-assistance system, ADAS）和AV的重要组成部分。

本文插图
图4. 原始图像（左）、对象的语义标注（右上），以及车辆路径预测（右下）
AV技术的发展仍然存在重大挑战，如定位、感知完整性、与手动驾驶车辆及行人的交互以及AV技术本身的安全认证等。
（1）定位。 AV技术需要一定的定位精度，这只能通过使用预先制作的高清地图来实现。构建和维护这些地图的过程非常具有挑战性，因为这类地图必须具有鲁棒性，并且其使用应当在全国或世界范围内具有普适性。
（2）高完整性感知。目前，有关技术的尝试只能在特定的良好天气及环境条件下进行，用于感知的典型传感器，如视觉和激光传感器，在浓雾、雪或灰尘下操作时可能会产生灾难性的故障。
（3）学习如何驾驶。驾驶是一个多模块协同作用的过程，不同的组块交互影响、协同工作以达到同一个目标。这种能力对于机器人而言仍然非常困难，因为这需要推断所有交互参与者的意图并施以一定的沟通技巧，以便通过安全高效的方式做出决策。