我要参展 企业搜索 网上展览 互动展览 头脑风暴 智库 chain
最新播报:
中国先进制造业企业综合竞争实力展示及产品供销一体化服务平台

网站首页 > 机械资讯
最受参观者欢迎的企业
说明:

最受参观者欢迎企业是参观者根据该公司门户网站(商城)的内容完整性,详细程度,可信性等指标进行综合投票选举,网站数据库系统自动产生。这些企业将获得机械及装备制造业网上博览会网站免费附赠三个月的宣传推广期。中机网博会诚望各注册参展企业认真完整填写参展资料,最大限度降低企业信息化建设成本。我要参展



icra前沿速报:制造业重新关注机械控制,ai融合仍任重道远|icra 2017
作者:中国制造业博览 更新时间:2017年05月30日
 

   中国制造业博览(www.CNMexpo.com)是为机械及装备工业、汽车及零部件行业、电子信息制造业、节能和环保行业、新能源行业、新材料行业及生产性服务业等先进制造业: 提升企业管理水平、削减销售费用、创造空前商机、构建企业正能量、实施企业问题专家接地气服务,提高企业综合竞争力服务的最有价值的大型综合在线展览门户。    
说一千道一万,不如一“”展览!

雷锋网 ai 科技评论按:icra 全称为“ieee international conference on robotics and automation”(机器人与自动化会议),是机器人技术领域最有影响力的国际学术会议之一。icra 2017 于 5 月 29 日至 6月 4 日举行,雷锋网 ai 科技评论从新加坡带来一线报道。该会议举办期间,雷锋网将围绕会议议程及获奖论文展开系列专题报道,敬请期待。

今天是持续一整天的 workshop/tutorial,作为贯穿整个 icra 大会的重要环节,仅今天的议程就包括了两个分别为半天的 tutorial 及 11 个全天的 workshop,分别涵盖鲁棒感知、基于感知的物体抓取、亚马逊抓取挑战赛解决方案、软体机器人等多个议程。

虽然 keynote、session 等多个重磅环节明天才开始,但今天的 icra 2017 会场已经是热闹非常。今天的主要议程都在四楼进行,每个房间大约能容纳 100 人,雷锋网简单环顾一圈,发现基本上每个房间内都坐满了人,有的学者甚至只能站在最后听讲,但即便是这样,也抵挡不住求知的好奇。

走廊上的茶歇也成为了学者们交流的绝佳场所。来自加州伯克利大学的 menglong guo 告诉雷锋网,因为议程非常多且领域非常细分,他也只能走走看看。「并不是每个(领域)都很了解,也有些听不懂的名词。」看来真是隔行如隔山呢。

由于议程过多,雷锋网 ai 科技评论只能忍痛割爱,选择了比较感兴趣的一个 workshop「sensor-based object manipulation for collaborative assembly」(协作组装中基于传感器的物体操作)进行了解。

在过去十年里,从基于物理建模到基于传感器的学习,抑或是从个体机器人到人机协作,不论是学界还是业界,对协作组装中基于传感器的物体操作的研究兴趣与日俱增,且已经成为一个前沿研究领域。

不过这一研究方向依然面临以下问题:

1)机器装配任务需要怎样的控制策略与终端执行?如何实现改进?

2)如何模拟人与机器之间的协作,使组装任务能够效益最大化?

3)如何让协同任务借助学习的方式设计高效控制器?

而本次 workshop 便是综合学界与业界双方的意见,从协同组装任务规划、硬件优化、控制策略、机器控制学习及基于触觉,力和视觉反馈的传感器融合等多个方面尝试解决上述问题。

而邀请到现场做演讲的嘉宾包括了五位学界人士与五位产业界人士,分别是:

从邀请嘉宾可以看出,icra 的 workshop 对学术界与产业界同样重视,且希望在同一个平台上碰撞出思维的火花。

在上午的议程结束后,雷锋网 ai 科技评论与南佛罗里达大学的孙宇博士进行了交流。孙宇博士在去年曾经作为演讲嘉宾来到 ccf-gair 的舞台,并做了题为《机器人灵巧手抓取的复兴》的演讲,他以「如何给机器一双灵巧的手」为主体,回顾阐述了类人机器手的发展历程。那么在本次的 icra 上,孙宇博士又会带来怎样的最近研究进展呢?

孙宇博士表示,最近他们开始尝试用 rnn(recurrent neural network)的方式训练机器完成「倒」(pouring)的动作。倒水对于人类而言虽然是一个非常简单的过程,但是对于机器人则不然。难点在于,水的运动非常复杂,但是机器很难对此进行判断和控制。孙宇博士近期通过 rnn 模型训练机器倒水,通过判断水的流速、容器的大小反馈给力的传感器,进而让倾倒的过程变得顺畅。

训练这个动作可以让服务机器人在日常生活中的应用变得更加顺畅,尤其是烹饪机器人。孙宇博士告诉雷锋网 ai 科技评论,最经常使用的动作首先是「picking/grasping」(抓取),其次便是「pouring」。当然,pouring 并不止于倾倒液体,不论是豆子还是青菜,机器在烹饪过程中可能产生的一切倾倒动作,都不再成为问题。此外,rnn 的学习过程可以让倾倒过程更加流畅,即使没有训练过倾倒的内容和对应的倾倒容器,机器依然能够顺畅地完成这一动作。

而延伸到 icra 会议,孙宇博士表示,本次会议他比较惊讶的地方在于,基于制造业的推动,研究领域又重新关注起机械臂集成问题,他自己对这一变化也深有体会,在去年先后得到来自三星、华为等手机厂商的反馈,工业界组装的应用环境和目的已经发生了很大的改变,但是学者们还没有跟进这一问题的解决。

首先,传统的组装是靠磨具制造,产品的周期可能是一到两年,因此磨具的使用年限也比较长,也不需要进行更换。但如今以 3c 为代表的产品,生命周期比较短。对于手机生产商而言,可能很短时间内就会有一个小的改进,那么磨具的迭代速度也会变快。

其次,厂商可能会生产不同种类的产品,周期有长有短,那么如果基于原来的组装模式,流水线的更换也会非常频繁。而随着对灵活性的要求变高,固定的流水线已经不再适应现有的制造业。

因此,基于编程的灵活机械设备就成了制造业亟须改进的部分。但这也对机械臂的设计提出了很大的挑战,以电子产品为例,产品的精细程度非常高,因此需要基于力反馈自行进行调整。「整体而言,机器学习和深度学习在未来的应用会越来越多,但机器学习的问题就是没法 verifying,那么也就在很大程度上影响了它在物理系统上的应用。」

孙宇博士曾多次基于「bring ai into the physical world」做过演讲,「ai 在虚拟世界中已经非常厉害,深度学习之所以做得很好,一方面是因为此前的研究基础,另外就是数据的支持。但 ai 离应用于物理世界还有一段距离。我觉得主要原因有几个方面,首先是做 ai 的研究者对机器人应用的 verifying 的关注度还是会低一些,其次是机器数据收集过程并不简单。比如自动驾驶可以通过传感器收集数据进行训练,那么如果换一个传感器,数据是否需要重新收集?」因此,孙宇博士认为主要的解决方案也需要从这两个方面做起。「首先是增加 ai 研究者对机器的研究,其次是对数据的低成本获取。」以孙宇博士自己的研究项目为例,他的实验数据都是自己收集的,主要包括 rgb-d、视频、图像及动作数据等。

而在今年,孙宇博士也将来到 ccf-gair 大会,如果你也想到现场与孙宇博士交流,欢迎购买限时六折票参加。

来源:http://news.ifeng.com/a/20170529/51181045_0.shtml