本月累计签到次数:

今天获取 积分

机器人

机器人

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

浏览

陈宽#14530 发表了文章 来自相关话题

条新动态, 点击查看
根据我的观察,餐厅老板招聘服务机器人当初的目的和现在的服务业的实际需求产生很大的落差;送餐机器人刚研发出来的时候,功能很单一,沿着规划的路径移动,不能自己把菜放到餐桌上,也不能收盘子。而且遇到人,躲避不好的话,也会撞到人;所以当初的目的是抓住客户对新技术的好奇... 显示全部 »
根据我的观察,餐厅老板招聘服务机器人当初的目的和现在的服务业的实际需求产生很大的落差;送餐机器人刚研发出来的时候,功能很单一,沿着规划的路径移动,不能自己把菜放到餐桌上,也不能收盘子。而且遇到人,躲避不好的话,也会撞到人;所以当初的目的是抓住客户对新技术的好奇心,来吸引消费者。但是,随着人们对服务机器人的希望发生变化,要求功能也越来越高。附件机器人自然不能胜任了;面临着下岗的可能。
其中之一

其中之一 回答了问题 • 2016-04-10 19:36 • 15 个回复 不感兴趣

什么是深度学习,Deep mind?

赞同来自:

我对学习的理解是:
学习的本质是:通过人的感官器官接受信息(资讯)之后,发生了行为改变。并结合实践之后由不成熟的意识(不熟练或者模糊等)转变成潜意识(成熟)。其实也就是不断是大脑各个区皮层的“皱褶”像槽刻一样。而这种获得知识之后,发生行为改变的过程就是学习。
... 显示全部 »
我对学习的理解是:
学习的本质是:通过人的感官器官接受信息(资讯)之后,发生了行为改变。并结合实践之后由不成熟的意识(不熟练或者模糊等)转变成潜意识(成熟)。其实也就是不断是大脑各个区皮层的“皱褶”像槽刻一样。而这种获得知识之后,发生行为改变的过程就是学习。
 
人群中分为:
1,先知先觉得人群(所占比例较少,不到17%)
2,后知后觉得人群(主流人群,70%左右)
3,不知不觉的人群(13%左右)
学习=学-->习-->变 是一个发生质变的过程。
学我认为分,3个层面,

学是:认知层面,二是知识层面
习是:实践 总结 应用(由量变到质变的过程)
变是:知识获得的检验标准(由不知,模糊,没有掌握等状态,通过学-->习-->变 之后变成潜意识
重点谈谈学,学是怎么学;无论你是想通过获得知识使其成为谋生技能,成为一种工具也好,还是为实现更高的理想或其他也罢;知识本身是目前人类对目前“世界”的认知能力 通过文字等信息对事物的描述和理解;随着认-知-了解的程度不一样从而发生改变;是某个领域的较为了解的人士(前辈)给后来人所描述的,被大众接受之后形成一种主流思想或者说是多数压到少数;
在我们对认知的由来和现有的认知产生疑问,猜疑之前(这是极少数)我们能做的就是对现有的知识变成改变自己行为的过程,达到学习的目的。除了知识(硬件部分)还有就是自我认知(软件部分)一种流行的说法是:“有知识(文化)的人不一定有修养,有修养的人不一定知识面广(不一定有文化)现实身边的例子和社会展现给我们的较多;
这就是当我们在学-->习-->变的过程中 对知识本身的”浅“意识状态 从听,看,等五官信息收集的渠道获得这些信息之后。由于我们的生长的环境,年龄,性别,职业,经历,经验,习惯,喜好,角度,关注点,敏感度,观察洞察力,旧的恶习等等。给尚未了解的人,事,物,主观的贴上”标贴“
在自我认知(软实力面前)需要“树立榜样”“照镜子”“自我反思” 悟“出符合客观实事的,悟出属于自己的技能,自己独立对生活的态度,对人,事,物的基本判断和客观理解。不须人云己云,不须跟风上;
也是由于以上所谓的“江湖”“经验”也罢等所主观引起,所导致我们唯一不同的大脑在“信息接收和信息输入”------>"黑匣子加工处理------>行为输出的过程有着天然之别,也是认证了“态度决定了命运”一说
大脑黑匣子的推理阶梯过程:(分为7步)
1,信息输入到大脑,根据观察到的资料或其他信息输入
2,从客观的资料中选择“我”要的资料
3,“我”对资料添加“我自己”的主观理解和分析
4,“我”依据“我”的主观理解做出“假设”
5,“我”推断出结论
6,“我”建立了信念(世界观)
7,行为输出,“我”依据我的信念采取行动
 
从浅意识-->潜意识 不断反复实践,应用获得知识和自我认知-->自我反省-->自我修养的过程。通过学-->习-->变-->悟的不断结合和揉面的质变之后;才认证了”万般皆下品唯有读书高“的真正含义,“知识的真正含义”,才会明白”所有的烦恼都是自己学习不够引起的“我认为这才是深度学习的理解;
 
 
 
 
 
 
没神马大不了

没神马大不了 回答了问题 • 2016-09-18 14:15 • 7 个回复 不感兴趣

为什么是7轴机器人?轴是什么意思?

赞同来自:

自由度是机器人的一个重要技术指标,它是由机器人的结构决定的,并直接影响到机器人的机动性。机器人的自由度是指机器人所具有的独立坐标轴运动的数目,但一般不包括手部(末端操作器)的开合自由度。自由度表示了机器人动作灵活的尺度,但也不是自由度越多越好。因为随着自由度的... 显示全部 »
自由度是机器人的一个重要技术指标,它是由机器人的结构决定的,并直接影响到机器人的机动性。机器人的自由度是指机器人所具有的独立坐标轴运动的数目,但一般不包括手部(末端操作器)的开合自由度。自由度表示了机器人动作灵活的尺度,但也不是自由度越多越好。因为随着自由度的增加,其结构也会变得更加复杂。
机器人的控制系统有:执行机构----伺服电机或步进电机;
驱动机构----伺服或者步进驱动器;
控制机构----运动控制器,做路径和电机联动的算法运算控制;
控制方式----有固定执行动作方式的,那就编好固定参数的程序给运动控制器;如果有加视觉系统或者其他传感... 显示全部 »
机器人的控制系统有:执行机构----伺服电机或步进电机;
驱动机构----伺服或者步进驱动器;
控制机构----运动控制器,做路径和电机联动的算法运算控制;
控制方式----有固定执行动作方式的,那就编好固定参数的程序给运动控制器;如果有加视觉系统或者其他传感器的,根据传感器信号,就编好不固定参数的程序给运动控制器
你图中显示的是控制系统,这款的精度比以往的有提高
春暖花开

春暖花开 回答了问题 • 2016-11-28 09:38 • 6 个回复 不感兴趣

仿真机器人如何突破平衡?

赞同来自:

这是一个很核心的问题。
    由于人类的双腿分布在身体的两侧,这就导致我们行走时不得不不断朝我们行走的方向侧身。机器人想要达到这一点需要非常复杂的机械结构和控制系统,乃至当今只有极少数仿人机器人能完全做到和人一样的行走。
这是一个很核心的问题。
    由于人类的双腿分布在身体的两侧,这就导致我们行走时不得不不断朝我们行走的方向侧身。机器人想要达到这一点需要非常复杂的机械结构和控制系统,乃至当今只有极少数仿人机器人能完全做到和人一样的行走。
其中之一

其中之一 回答了问题 • 2016-12-30 15:00 • 4 个回复 不感兴趣

国产机器人赶超日韩欧美,关键靠什么?

赞同来自:

1,硬件部分的自主研发(材料,工艺)主要包括精密减速机、高性能交直流伺服电机和驱动器及高性能控制器等。其中,国内外技术差距最大的是减速机和伺服电机;
2,仿真编程软件;
3,机器人产业链;破垄断和封锁;
4,从事机器人研发 制造型企业专业人才的成熟度,和技术突... 显示全部 »
1,硬件部分的自主研发(材料,工艺)主要包括精密减速机、高性能交直流伺服电机和驱动器及高性能控制器等。其中,国内外技术差距最大的是减速机和伺服电机;
2,仿真编程软件;
3,机器人产业链;破垄断和封锁;
4,从事机器人研发 制造型企业专业人才的成熟度,和技术突破;
机器人的传动和布局设计从理论上讲应该是比较成熟的领域,如果有样机的话,拆开看一看就可以知道大部分的结构。但是结构优化设计经验、装配规范的标准化、零配件的按需定制以及供应链优化等方面国内厂商还需要很长时间的积累。

以KUKA为例的话,分协作机器人iiwa和传统... 显示全部 »
机器人的传动和布局设计从理论上讲应该是比较成熟的领域,如果有样机的话,拆开看一看就可以知道大部分的结构。但是结构优化设计经验、装配规范的标准化、零配件的按需定制以及供应链优化等方面国内厂商还需要很长时间的积累。

以KUKA为例的话,分协作机器人iiwa和传统机器人KR两个大系列。
当前主流的协作机器人都采用“模块化”思想的关节设计,采用直驱电机+谐波减速器的方式,每个关节的内部结构基本一致,只是大小不太一样,例如iiwa的每个轴基本都是下图这样:

10451
每一个关节中都包含了电机、伺服驱动、谐波减速器、电机端编码器、关节端位置传感器和力矩传感器,电机和减速器采用直连。
整个关节在机器人内部的布局如下:

10452
对于KR系列这一类的传统机器人来讲,末端的布局一般按照满足“三轴轴线交于一点”的基本原则来做,主要区别在于三个电机的布置和传动方式。
KUKA之前的很多机器人都采用4、5、6三轴电机布置在小臂后方,通过同心轴+伞齿轮/同步带的方式传动到手腕的方式,以KR5为例:

10453
三个电机的动力通过同心轴传到手腕,腕部结构如下:

10454

10455
近几年KUKA新推出的agilus系列机器人为了追求纤细紧凑的外表,采用了将4、5、6三轴电机内置在小臂内部的方式。

其实就传统工业机器人来讲,各家主要的差别在于5轴和6轴的布置方式,外资品牌借助于深厚的设计功底和强大的定制能力,普遍采用齿轮或者同步带的方式用作动力传输,将电机布置的比较靠后,因此机器人小臂和手腕部位做的比较紧凑。
而国产厂商受限于成品电机的尺寸、齿轮的精度和噪音、装配经验不足的问题,5、6轴多采用直连或者单同步带的方式,导致腕部尺寸普遍偏大。
3215 浏览

一篇文章读懂工业机器人设计过程

机械自动化类 昌炜 2016-04-09 22:05 发表了文章 来自相关话题

     对于工业机器人的设计与大多数机械设计过程相同;首先要知道为什么要设计机器人?机器人能实现哪些功能?活动空间(有效工作范围)有多大?了解基本的要求后,接下来的工作就好作了。

     首先是根据基本要求确定机器人的种类,是行走的提升(举升)机械臂、还是三轴的坐标机器人、还是六轴的机器人等。选定了机器人的种类也就确定了控制方式,也就有了在有限的空间内进行设计的指导方向。

     接下来的要做的就是设计任务的确定。这是一个相对复杂的过程,在实现这一复杂过程的第一步是将设计要求明确的规定下来;第二步是按照设计要求制作机械传动简图,分析简图,制定动作流程表(图),初步确定传动功率、控制流程和方式;第三步是明确设计内容,设计步骤、攻克点、设计计算书、草图绘制,材料、加工工艺、控制程序、电路图绘制;第四步是综合审核各方面的内容,确认生产。

    下面我将以六轴工业机器人作为设计对象来阐明这一设计过程:
[login]
    在介绍机器人设计之前我先说一下机器人的应用领域。机器人的应用领域可以说是非常广泛的,在自动化生产线上的就有很多例子,如垛码机器人、包装机器人、转线机器人;在焊接方面也有很例子,如汽车生产线上的焊接机器人等等;现在机器人的发展是非常的迅速,机器人的应用也在民用企业的各个行业得以延伸。机器人的设计人才需求也越来越大。




    六轴机器人的应用范筹不同,设计形式也各不相同。现在世界上生产机器人的公司也很多,结构各有特色。在中国应用最多的如:ABB、Panasonic、FANUK、莫托曼等国外进口的机器人。

    既然机器人的应用那么广泛,在我国却没有知名的生产公司。对于作为中国机械工程技术人员来说是一个值得思考的问题!有关机器人技术方面探讨太少了?从业人员还不能成群体?虽然在很多地方可以看到机器的论术,可是却没有真正形成普及的东西。

    即然是要说设计,那我就从头一点一点的说起。力求讲的通俗简明一些,讲得不对的地方还请各位指正!
    六轴机器人是多关节、多自由度的机器人,动作多,变化灵活;是一种柔性技术较高的工业机器人,应用面也最广泛。那么怎样去从头开始的设计它呢?工作范围又怎样去确定?动作怎样去编排呢?位姿怎样去控制呢?各部位的关节又是有怎么样的要求呢?等等。。。。。。让我们带着众多的疑问慢慢的往下走吧!

    首先我们设定:机器人是六轴多自由度的机器人,手爪夹持二氧气体保护焊标准焊枪;完成点焊、连续焊等不同要求的焊接部件,工艺要求、工艺路线变化快的自动生线上。最大伸长量:1700mm;转动270度;底座与地平线水平固定;全电机驱动。
好了,有了这样的基本要求我们就可以做初步的方案的思考了。

    首先是全电机驱动的,那么我们在考虑方案的时候就不要去考虑液压和气压的各种结构了,也就是传动机构只能用齿轮齿条、连杆机构等机械机构了。

    机器人是用于焊接方面的,那么我们就去考察有人工行为下的各种焊接手法和方法。这里就有一个很复杂的东西在里面,那就是焊接工艺;即然焊艺定不下来,我们就给它区分一下,在常用焊接里有单点点焊、连续断点点焊、连续平缝焊接、填角焊接、立缝焊接、仰焊、环缝焊等等。。。。。。

    搞清了各种焊方法,也就明白了要实现这些复杂的动作就要有一套可行的控制方式才行;在机械没有完全设计出来之前可以不做太多的控制方案思考,有一个大概的轮廓概念就行了,待机械结构做完,各方面的驱动功率确定下来之后再做详细的程序。

    焊枪是用常用的标准的焊枪,也就是说焊枪是随时可以更换下来的,也就要求我们要做到对焊枪的夹持部分进行快速锁定与松开。焊枪在焊接过程中要进行各种焊接姿态调整,那么机械手腕就要很灵活,在各个方位角度上都可调节。

    了上面的基本要求和设定条件,方案推理也有了条理,接下来我们就把设计要求明确下来,设计方向就不会有太大的偏离了。
 
 

设计任务

    设计要求:机器人适用于焊接领域,可以完成各种焊接动作;为了机器人能适应各种焊接工艺,在线调整工艺快速,编制控制程序时采用柔性控制程序,自适应在线、离线示教程序;焊缝、焊池、焊道成像跟踪,自动调节焊机的各项参数。
机器人采用全伺服驱动,地面固定安装。六轴控制,各关节运动灵活,按工艺描述表设计各轴动作范围,尽量使机构紧凑,整体外形美观。



设计内容

    机械设计:根据设计要求及工艺描述设计各关节的机械机构,确定各部件的材料和加工工艺;制作计算书,验算机械强度、驱动功率和给出最大抓(举)重量,各运动路径的惯量计算,位姿的控制计算。验算机器人各关键部件使用寿命。结合控制程序及电路制作机器人维修保养说明书。

    程序控制设计:根据设计要求与机械工程师最后制定的工艺路线设计控制流程;结合机械结构与驱动、信号反馈方式,设计机器人运动程序;程序要具有自适应功能,自动定点跟踪,对焊机电流、电压实时监测,并自动调节;焊道、焊池用成像监测判别技术。
 
 

设计电路图

    有了这样一个文件,我们就好设计了;那么我们首先就要做的是:绘制机器人动运简图,规划机器人运动轨迹,做好这些我们就可以进行机械机构的设计,同时可以考虑程序的线路图了。
先做一个简图,来研究一下运动规迹。

机器人运动简图:




    当我们把机械运动简图画好后,一般的情况下是先对简图进行分析;虽然简图不能全部反映机械结构的组成,但是它却表现出了要设计的物体的总体轮廓。

    那么对于我们这个机器人的简图,我们从哪里着手分析才合理呢?首先,我们看一下设计任务书的内容。从任务书中知道,六个轴中有三个轴是做旋转运动的,其余作摆角运动。结合任务书,我们看一下简图,是不是第1轴、第4轴和第六轴是做转动的,也就是说我们要检查一下我们所画的简图是不是与任务书中的要求相符合,符合了也就代表我们的设计思路与要求(客户要求)相同,可以进行下一步工作,如果不同,就得重新画简图。

    从简图知道,机器人的手臂伸缩范围较大;如果把手臂全部伸直,而且我们假设地把它们看成同一钢体,这样就形成一端固定的悬臂梁。应用力学知识体系中的有关梁的分析我们知道,要搞清悬臂梁的变形量,首先要知道梁的重量和截面惯量。请加微信号:robotinfo 学习工业智能化知识

    由简图知道,由于有多个关节连接,要知道截面形状和惯量不太容易,只有把所有的机构都设计完成后才会知道想求的参数。

    由简图看出,第二轴担负着手臂的上下运动,而且手臂又比较长,在运动的过程中必然存在着惯性冲量,也就是说,当大臂的运动速度很慢时,惯性就很小;如果速度加快,惯性就加大,这个惯性冲量是与速度有着线性关系;怎样保持一定的速度,又不让惯性随着变化呢?大家都知道,增加阻尼,可有效消除这种关系。这样,大家就可以理解简图上两个弹簧的用意了。

    即然是这样,那我们就从手腕开始设计。也说是大家所说的从上到下的设计方法。
    设计手腕要考虑哪些问题呢?可以知道的是有一把焊枪,焊枪的重量不是很重,同时要有夹持焊枪的手爪。也就是说手腕在转动时的负载是不大的,选择驱动功率不大的元件就行了。要让手腕在360度范围内转动,而且后面紧跟着又有一个上下摆动的关节;手腕又是在机器人手臂的最前端,当然总体质量不能太重。用什么样的机构最好呢?下面我们考虑几个方案:
1.如简图所示,采用行星齿轮传动。电机驱动太阳轮,行星轮绕太阳轮转动,内齿轮经行星轮减速与太阳轮反向运动,电机与太阳轮同轴安装。

2.多级齿轮减速传,电机安装于手腕一侧。

3.摆线针轮减速传动,电机与偏心轴同轴安装。

4.蜗轮蜗杆减速传动,电机有两种安装方式;一种与输出轴成90度安装,另一种与输出轴同轴线反向错位安装。

    如上所述,还有很多种方式方法,到底选哪一种最好呢?这样我们就要做比较了。从上面的方案里看,第2种方法是不行的;第4种方法如果采用,手腕的结构就会很大,不利于机器人在运动时做精密定位。这样我们去除了两种方法,我们再比较一下第1种和第3种方法;

    行星齿轮传动,传动比大,结构复杂,齿轮副配合有间隙,不能自锁。如果采用就得提高齿轮精度,由于是精密传动,齿轮材料也不能按常规齿轮选用材料,加工工艺相对常规齿轮相复杂的多。摆线针轮传动,传动比大,结构复杂,传动间隙小,可以自锁。如果采用,手腕的尺寸不会太小,并且零件加工困难,精度不易保证。
    比较各方面后,决定采用行星齿轮传动机械结构。行星齿轮在传动的过程中有装配间隙和机械磨损所造成的间隙;要消除这些机械间隙首先就要让齿轮副的配合间隙要小,齿轮材料经热处理后表面要耐磨,因此行星齿轮副的设计计算不能按常规行星齿轮的设计方法去计算。机器人的手腕是很灵活的关节,而且是要做正反两个方向的回转。怎么样安装电机是一个问题;行星齿轮传动机构与手腕俯仰关节连接是一个问题。

     还有,手腕的运动速可能是非等速的;怎么样去控制电机?又怎么样去采集反馈信号?发出的控制信号到执行单元的过程中有没外部干扰?它来自哪里?
     再有,就是手腕在运动过程中的精度;手腕在空间做相对运动,怎样去实现运动精度?影响运动精度的因素有哪些?
在设计手腕这前一定要搞清楚影响手腕的各方面的因素及内容,问题得到解答后再真正开始手腕的设计。
     下面给出伺服电机的的技术参数:
型号:MSMD04ZS1V
额定输出功率:400W
额定转矩:1.3N.m最大转矩:3.8N.m
额定转速/最高转速:3000/5000rpm
电机惯量(有制动器):1.7×10-4Kg.m2
变压器容量:0.9KVA
编码器:17位(分辨率:131072).7线制增量式/绝对式。
适配驱动器型号:MBDDT2210
位置控制接线图:




17位增量式/绝对式编码器接线图:




     即然我们选用了行星齿轮传动,那么我们就要进行行星齿轮的相关计算。
     首先选定模数,由于机器人手腕部分结构要求尽量的小,输出的转矩也相应不是很大,但是,它却会在正反两个方向上存在着高速换向的可能,也就是说在换向时齿轮要克服很大的惯性力,因此,模数的选择计算要按输出转矩的数倍来计算,也就是说:在按强度计算模数时,安全系数选大些。同时由于结构的限制,尽量选用小模数。有关齿轮的计算公式大家可以查阅《齿轮设计手册》。这里我选用模数为:1m选定了模数,下面就要计算传动比,有关行星齿轮传动的计算大家可查阅《齿轮设计手册》或《机械设计手册》内的《齿轮传动部分》,里面有详细的介绍和计算范例。在此不作介绍和引用。

     行星齿轮传动,必定有一个结构是浮动的,在机器人手腕部分是不是也适用呢?哪一部分做输了出?哪一部分浮动?首先,机器人手腕做360度转动,结构又比较小,再者就是它的输出部分是要有一个法兰,用来安装夹持执行部件的。如果让行星架浮动,行星齿轮分布在太阳轮圆周上,让它浮动时,在运转过程中它不是绕定轴转动,也就是说它不满足输出法兰的转动条件。

     现在我们考虑一下让内齿转动,法兰固定在内齿轮上,这样就可以保证法兰的转动条件。下面给出手腕的结构图,无浮动部件,内齿轮转动。




[/login]
 
更多内容请关注相关链接:
机器人在机床行业应用环境分析
机器人时代:关于未来8大行业的27条预言
文章来源于网络智造家平台提供 查看全部
     对于工业机器人的设计与大多数机械设计过程相同;首先要知道为什么要设计机器人?机器人能实现哪些功能?活动空间(有效工作范围)有多大?了解基本的要求后,接下来的工作就好作了。

     首先是根据基本要求确定机器人的种类,是行走的提升(举升)机械臂、还是三轴的坐标机器人、还是六轴的机器人等。选定了机器人的种类也就确定了控制方式,也就有了在有限的空间内进行设计的指导方向。

     接下来的要做的就是设计任务的确定。这是一个相对复杂的过程,在实现这一复杂过程的第一步是将设计要求明确的规定下来;第二步是按照设计要求制作机械传动简图,分析简图,制定动作流程表(图),初步确定传动功率、控制流程和方式;第三步是明确设计内容,设计步骤、攻克点、设计计算书、草图绘制,材料、加工工艺、控制程序、电路图绘制;第四步是综合审核各方面的内容,确认生产。

    下面我将以六轴工业机器人作为设计对象来阐明这一设计过程:
[login]
    在介绍机器人设计之前我先说一下机器人的应用领域。机器人的应用领域可以说是非常广泛的,在自动化生产线上的就有很多例子,如垛码机器人、包装机器人、转线机器人;在焊接方面也有很例子,如汽车生产线上的焊接机器人等等;现在机器人的发展是非常的迅速,机器人的应用也在民用企业的各个行业得以延伸。机器人的设计人才需求也越来越大。
1.jpg

    六轴机器人的应用范筹不同,设计形式也各不相同。现在世界上生产机器人的公司也很多,结构各有特色。在中国应用最多的如:ABB、Panasonic、FANUK、莫托曼等国外进口的机器人。

    既然机器人的应用那么广泛,在我国却没有知名的生产公司。对于作为中国机械工程技术人员来说是一个值得思考的问题!有关机器人技术方面探讨太少了?从业人员还不能成群体?虽然在很多地方可以看到机器的论术,可是却没有真正形成普及的东西。

    即然是要说设计,那我就从头一点一点的说起。力求讲的通俗简明一些,讲得不对的地方还请各位指正!
    六轴机器人是多关节、多自由度的机器人,动作多,变化灵活;是一种柔性技术较高的工业机器人,应用面也最广泛。那么怎样去从头开始的设计它呢?工作范围又怎样去确定?动作怎样去编排呢?位姿怎样去控制呢?各部位的关节又是有怎么样的要求呢?等等。。。。。。让我们带着众多的疑问慢慢的往下走吧!

    首先我们设定:机器人是六轴多自由度的机器人,手爪夹持二氧气体保护焊标准焊枪;完成点焊、连续焊等不同要求的焊接部件,工艺要求、工艺路线变化快的自动生线上。最大伸长量:1700mm;转动270度;底座与地平线水平固定;全电机驱动。
好了,有了这样的基本要求我们就可以做初步的方案的思考了。

    首先是全电机驱动的,那么我们在考虑方案的时候就不要去考虑液压和气压的各种结构了,也就是传动机构只能用齿轮齿条、连杆机构等机械机构了。

    机器人是用于焊接方面的,那么我们就去考察有人工行为下的各种焊接手法和方法。这里就有一个很复杂的东西在里面,那就是焊接工艺;即然焊艺定不下来,我们就给它区分一下,在常用焊接里有单点点焊、连续断点点焊、连续平缝焊接、填角焊接、立缝焊接、仰焊、环缝焊等等。。。。。。

    搞清了各种焊方法,也就明白了要实现这些复杂的动作就要有一套可行的控制方式才行;在机械没有完全设计出来之前可以不做太多的控制方案思考,有一个大概的轮廓概念就行了,待机械结构做完,各方面的驱动功率确定下来之后再做详细的程序。

    焊枪是用常用的标准的焊枪,也就是说焊枪是随时可以更换下来的,也就要求我们要做到对焊枪的夹持部分进行快速锁定与松开。焊枪在焊接过程中要进行各种焊接姿态调整,那么机械手腕就要很灵活,在各个方位角度上都可调节。

    了上面的基本要求和设定条件,方案推理也有了条理,接下来我们就把设计要求明确下来,设计方向就不会有太大的偏离了。
 
 

设计任务

    设计要求:机器人适用于焊接领域,可以完成各种焊接动作;为了机器人能适应各种焊接工艺,在线调整工艺快速,编制控制程序时采用柔性控制程序,自适应在线、离线示教程序;焊缝、焊池、焊道成像跟踪,自动调节焊机的各项参数。
机器人采用全伺服驱动,地面固定安装。六轴控制,各关节运动灵活,按工艺描述表设计各轴动作范围,尽量使机构紧凑,整体外形美观。



设计内容

    机械设计:根据设计要求及工艺描述设计各关节的机械机构,确定各部件的材料和加工工艺;制作计算书,验算机械强度、驱动功率和给出最大抓(举)重量,各运动路径的惯量计算,位姿的控制计算。验算机器人各关键部件使用寿命。结合控制程序及电路制作机器人维修保养说明书。

    程序控制设计:根据设计要求与机械工程师最后制定的工艺路线设计控制流程;结合机械结构与驱动、信号反馈方式,设计机器人运动程序;程序要具有自适应功能,自动定点跟踪,对焊机电流、电压实时监测,并自动调节;焊道、焊池用成像监测判别技术。
 
 

设计电路图

    有了这样一个文件,我们就好设计了;那么我们首先就要做的是:绘制机器人动运简图,规划机器人运动轨迹,做好这些我们就可以进行机械机构的设计,同时可以考虑程序的线路图了。
先做一个简图,来研究一下运动规迹。

机器人运动简图:
2.jpg

    当我们把机械运动简图画好后,一般的情况下是先对简图进行分析;虽然简图不能全部反映机械结构的组成,但是它却表现出了要设计的物体的总体轮廓。

    那么对于我们这个机器人的简图,我们从哪里着手分析才合理呢?首先,我们看一下设计任务书的内容。从任务书中知道,六个轴中有三个轴是做旋转运动的,其余作摆角运动。结合任务书,我们看一下简图,是不是第1轴、第4轴和第六轴是做转动的,也就是说我们要检查一下我们所画的简图是不是与任务书中的要求相符合,符合了也就代表我们的设计思路与要求(客户要求)相同,可以进行下一步工作,如果不同,就得重新画简图。

    从简图知道,机器人的手臂伸缩范围较大;如果把手臂全部伸直,而且我们假设地把它们看成同一钢体,这样就形成一端固定的悬臂梁。应用力学知识体系中的有关梁的分析我们知道,要搞清悬臂梁的变形量,首先要知道梁的重量和截面惯量。请加微信号:robotinfo 学习工业智能化知识

    由简图知道,由于有多个关节连接,要知道截面形状和惯量不太容易,只有把所有的机构都设计完成后才会知道想求的参数。

    由简图看出,第二轴担负着手臂的上下运动,而且手臂又比较长,在运动的过程中必然存在着惯性冲量,也就是说,当大臂的运动速度很慢时,惯性就很小;如果速度加快,惯性就加大,这个惯性冲量是与速度有着线性关系;怎样保持一定的速度,又不让惯性随着变化呢?大家都知道,增加阻尼,可有效消除这种关系。这样,大家就可以理解简图上两个弹簧的用意了。

    即然是这样,那我们就从手腕开始设计。也说是大家所说的从上到下的设计方法。
    设计手腕要考虑哪些问题呢?可以知道的是有一把焊枪,焊枪的重量不是很重,同时要有夹持焊枪的手爪。也就是说手腕在转动时的负载是不大的,选择驱动功率不大的元件就行了。要让手腕在360度范围内转动,而且后面紧跟着又有一个上下摆动的关节;手腕又是在机器人手臂的最前端,当然总体质量不能太重。用什么样的机构最好呢?下面我们考虑几个方案:
1.如简图所示,采用行星齿轮传动。电机驱动太阳轮,行星轮绕太阳轮转动,内齿轮经行星轮减速与太阳轮反向运动,电机与太阳轮同轴安装。

2.多级齿轮减速传,电机安装于手腕一侧。

3.摆线针轮减速传动,电机与偏心轴同轴安装。

4.蜗轮蜗杆减速传动,电机有两种安装方式;一种与输出轴成90度安装,另一种与输出轴同轴线反向错位安装。

    如上所述,还有很多种方式方法,到底选哪一种最好呢?这样我们就要做比较了。从上面的方案里看,第2种方法是不行的;第4种方法如果采用,手腕的结构就会很大,不利于机器人在运动时做精密定位。这样我们去除了两种方法,我们再比较一下第1种和第3种方法;

    行星齿轮传动,传动比大,结构复杂,齿轮副配合有间隙,不能自锁。如果采用就得提高齿轮精度,由于是精密传动,齿轮材料也不能按常规齿轮选用材料,加工工艺相对常规齿轮相复杂的多。摆线针轮传动,传动比大,结构复杂,传动间隙小,可以自锁。如果采用,手腕的尺寸不会太小,并且零件加工困难,精度不易保证。
    比较各方面后,决定采用行星齿轮传动机械结构。行星齿轮在传动的过程中有装配间隙和机械磨损所造成的间隙;要消除这些机械间隙首先就要让齿轮副的配合间隙要小,齿轮材料经热处理后表面要耐磨,因此行星齿轮副的设计计算不能按常规行星齿轮的设计方法去计算。机器人的手腕是很灵活的关节,而且是要做正反两个方向的回转。怎么样安装电机是一个问题;行星齿轮传动机构与手腕俯仰关节连接是一个问题。

     还有,手腕的运动速可能是非等速的;怎么样去控制电机?又怎么样去采集反馈信号?发出的控制信号到执行单元的过程中有没外部干扰?它来自哪里?
     再有,就是手腕在运动过程中的精度;手腕在空间做相对运动,怎样去实现运动精度?影响运动精度的因素有哪些?
在设计手腕这前一定要搞清楚影响手腕的各方面的因素及内容,问题得到解答后再真正开始手腕的设计。
     下面给出伺服电机的的技术参数:
型号:MSMD04ZS1V
额定输出功率:400W
额定转矩:1.3N.m最大转矩:3.8N.m
额定转速/最高转速:3000/5000rpm
电机惯量(有制动器):1.7×10-4Kg.m2
变压器容量:0.9KVA
编码器:17位(分辨率:131072).7线制增量式/绝对式。
适配驱动器型号:MBDDT2210
位置控制接线图:
3.jpg

17位增量式/绝对式编码器接线图:
4.jpg

     即然我们选用了行星齿轮传动,那么我们就要进行行星齿轮的相关计算。
     首先选定模数,由于机器人手腕部分结构要求尽量的小,输出的转矩也相应不是很大,但是,它却会在正反两个方向上存在着高速换向的可能,也就是说在换向时齿轮要克服很大的惯性力,因此,模数的选择计算要按输出转矩的数倍来计算,也就是说:在按强度计算模数时,安全系数选大些。同时由于结构的限制,尽量选用小模数。有关齿轮的计算公式大家可以查阅《齿轮设计手册》。这里我选用模数为:1m选定了模数,下面就要计算传动比,有关行星齿轮传动的计算大家可查阅《齿轮设计手册》或《机械设计手册》内的《齿轮传动部分》,里面有详细的介绍和计算范例。在此不作介绍和引用。

     行星齿轮传动,必定有一个结构是浮动的,在机器人手腕部分是不是也适用呢?哪一部分做输了出?哪一部分浮动?首先,机器人手腕做360度转动,结构又比较小,再者就是它的输出部分是要有一个法兰,用来安装夹持执行部件的。如果让行星架浮动,行星齿轮分布在太阳轮圆周上,让它浮动时,在运转过程中它不是绕定轴转动,也就是说它不满足输出法兰的转动条件。

     现在我们考虑一下让内齿转动,法兰固定在内齿轮上,这样就可以保证法兰的转动条件。下面给出手腕的结构图,无浮动部件,内齿轮转动。
5.jpg

[/login]
 
更多内容请关注相关链接:
机器人在机床行业应用环境分析
机器人时代:关于未来8大行业的27条预言
  • 文章来源于网络
  • 智造家平台提供

1 回答

如果和AI机器人一起高考,谁能赢得胜利

智能科技类 陈宽#14530 2017-11-02 11:30 回复了问题 • 2 人关注 来自相关话题

1 回答

机器人控制该怎么入门?

智能科技类 陈宽#14530 2017-10-26 13:48 回复了问题 • 2 人关注 来自相关话题

0 回答
10 回答

机器人可以做到有痛觉吗?

智能科技类 弯道超车 2017-07-06 11:50 回复了问题 • 6 人关注 来自相关话题

5 回答

刚刚出来的ABB 机器人操作培训资料

机械自动化类 匿名用户 2017-07-02 08:08 回复了问题 • 13 人关注 来自相关话题

2 回答

设计机器人轨迹的时候遵循什么原则?

电气控制类 随风 2017-06-13 20:18 回复了问题 • 6 人关注 来自相关话题

0 回答

Rv减速器和谐波减速器的区别?可以互换吗?

机械自动化类 不见不散 2017-04-21 16:51 发起了问题 • 1 人关注 来自相关话题

4 回答

机器人的设计需要注意哪些问题?

机械自动化类 冷眼看世界 2017-03-28 11:19 回复了问题 • 8 人关注 来自相关话题

1 回答

工业机器人由哪些系统组成?各自的作用是什么?

机械自动化类 jingjing 2017-03-28 11:04 回复了问题 • 2 人关注 来自相关话题

3 回答

机器人时代,人机交互还存在什么问题?

智能制造类 机器猫 2017-03-20 15:01 回复了问题 • 8 人关注 来自相关话题

576 浏览

吟诗作赋不能赚钱,作诗的AI机器人的盈利之路在哪

智能科技类 神龙大侠 2018-01-12 15:01 发表了文章 来自相关话题

“微明的灯影里\我知道她的可爱的土壤\是我的心灵成为俘虏了\我不在我的世界里\街上没有一只灯儿舞了\是最可爱的\你睁开眼睛做起的梦\是你的声音啊”

喜欢这首诗么?这是节选自北京联合出版公司出版的诗集《阳光失了玻璃窗》,而诗集的作者并非是你我这样的人类,而是一名AI机器人——微软小冰。[吟诗作赋不能赚钱,作诗的AI机器人的盈利之路在哪](微软小冰出版的诗集《阳光失了玻璃窗》)

其实除了小冰之外,作诗超过27万首的编诗姬以及专注古诗创作的九歌机器人也引发了社会的热议。就在AI机器人创作诗词越来越潮的时候,质疑也接踵而至,最大的问题就是AI作诗这事是笔好生意吗?

被质疑的初衷:让AI去学作诗或是一个伪命题

在回答AI学作诗的目的之前,我们不妨先思考一下,人类创作诗词是为什么?诗词作为意识的物质外壳,是经过符号化的信息,它的本质是传达人的思想和情感。《毛诗序》中有这么一句“诗者,志之所之也,在心为志,言之为诗”,其所要表达的正是诗词创作的目的。作诗是为了言志抒情,表达人的情感,将人的思想寓于其中。我国诗词能历经数千年依旧流传的原因之一就是其中所饱含着的人文情怀,能够引发共鸣,能够给人以精神上的依赖。

很多时候,我们读的诗歌和文章,并不仅仅只是表面上的铅字,而是与作者进行的精神交流,进入他的生活或者他的想象力空间。正如诗评人秦晓宇所说,“诗人诗歌中是有其经历、追忆、愿景等的,这些浓缩在诗歌文本字里行间,才构成了极大的魅力。“而AI机器人作诗时,有的只是一刻不停的算法运算和严谨周密的二进制。因此,让AI去学作诗被认为就是一个伪命题。

被质疑的质量:抖了一下小机灵的AI作诗机器人,“钱途”坎坷

除了初衷,AI作诗机器人之所以被认为可能赚不了钱,是因为AI作诗机器人作诗的质量,这些作诗机器人“只是和人类玩了一场游戏”。

1. 并非是“作“诗,而是基于诗词学习之后地临摹写作

《扬子江诗刊》副主编胡弦认为,目前看来,小冰的诗歌基本都是“二手货”,而诗歌的本质是原创。

确实,无论是微软小冰的以图写诗,还是九歌机器人玩得贼好的集句诗,诗词创作机器人的背后是由大数据和算法技术作为支撑的。在搭建好人工神经网络的算法后,AI通过不断输入的诗词数据来进行自我学习,包括它们的形式、内容等等。例如微软小冰学习了519 位诗人的现代诗,而九歌机器人学习了30万多首诗作。

[吟诗作赋不能赚钱,作诗的AI机器人的盈利之路在哪]



在通过深度学习,建立好知识图谱之后,AI机器人能够根据所输入的信息,快速进行算法运算,然后输出诗词,这就是AI机器人作诗的过程。这就意味着,AI机器人并非是“作“诗,而是基于诗词学习后地临摹写作。

2. AI的创作优势与一首好的诗作并没有直接的联系

通过上文对于AI机器人作诗路径的分析,我们能够看到与人类相比,AI机器人作诗至少有着三个优势。第一,速度快。AI机器人能够通过持续不断的学习,来提高信息的处理和输入速度,往往比人类作诗更快速,通常在10s之内就能完成。第二,句子工整。诗词,尤其是古诗词讲究合辙押韵,而AI机器人是按照固定的路径运行,因此能够严格按照要求输出。第三,博闻强记。AI机器人有着强大的诗词数据库支撑,在集句诗、藏头诗等考查知识储备、词语搭配等方面有着更为突出的优势。

咋一看上去AI机器人似乎比人类更胜一筹,但是别急,我们再来看看在名人名家眼里一首好的诗歌作品应该是怎么样的的。台湾诗人余光中认为,好的诗歌应该包括作者想象力的丰富,语言的高超,讲究音调和意象的营造。浙江“青年文学之星“、中国作协会员高鹏程认为应该是包含三个方面,第一是第一眼看过去就应该让人动容、动心、动情,第二是经得起反复推敲、琢磨,第三是让读者难以忘怀、反复阅读。所以如果按照两位的观点,那就是AI的创作优势与一首好的诗作并没有直接的联系。

3.AI作诗机器人在逻辑和语义连贯上存在着较大问题

AI作诗机器人除了存有创造力、情感等方面的“AI通病”之外,逻辑不清和语义不连贯也是其所存在的突出问题。华东师范大学中文系周圣伟教授以机器人缩写的“新酿三篇常细俗,闻韶一曲已为人”为例,他认为单看任何一句似乎没有太大问题,但是合在一起后,两句诗之间看不出任何的联系,缺乏内在的逻辑关系。复旦大学中文系侯体健副教授在看过作诗机器人“小诗机”的作品之后,也给出了“词语混搭,半通不通”的评价。

综合而言,一方面,我们在阅读AI的诗词之时,由于诗人的创作背景、个人生平等为一片空白,失去支撑点的想象空间完全被扼杀,丧失了阅读诗词的乐趣。另一方面,通过算法技术输出的诗词,本质上只是词语的搭配游戏。因此,AI被质疑只是抖了一个辞藻堆砌的小机灵,在工整的外壳之下是空洞的灵魂。如鲍南在《北京日报》发表的文章中所言,机器人写诗只是一场文字游戏。

当然,这样的评价,前文中所提到的微软小冰、编诗姬以及九歌机器人外,AI作诗的产品市场还有小诗机、薇薇可能会不高兴了。至少从外界看,目前AI作诗的产品市场已经迈向了逐渐成熟的阶段。不过,问题确实摆在面前。从目前的AI作诗产品本身的应用来看,几乎没有更近一步的商业想象空间,还是停留在博观众眼球的阶段。

AI机器人作诗之后,盈利之路在哪?









从宏观来看,AI作诗机器人所拥有的技术、功能却能够在更大的领域发挥作用。因此,智能相对论(微信id:aixdlun)大胆预想下,可以将AI作诗机器人的优势转向其他领域,来获得商业上的价值。

1.中文语义分析技术能够助力人机交互

人机交互,是产品迈向AI领域的关键之一。但是由于汉语本身所具有的复杂性,使得我国在此领域受到重重阻碍。而AI作诗机器人能够通过深度学习,在中文语义分析能力上得到极大提高,这就为优化中文语义分析的算法提供了基础。例如开发编诗姬的玻森数据就开发了玻森中文语义开放平台,来获得利润。

2.辅助教学,加入AI教育的混战

马化腾曾表示,AI+教育与AI+医疗领域有望诞生超过BAT、达到千亿美金以上规模的企业。AI作诗机器人可以顺势而上,凭借自身在语言文字学习方面的优势,加入AI教育混战。

3.辅助科研,以全知视角助力克服知识盲点

虽然说AI作诗机器人自己创作被名家们认为不行,但是可以凭借其强大的学习能力和记忆能力来构建一个完整和全面的知识图谱,以全知的视角来帮助科研人员进行调查研究工作。例如在理解一首诗歌之时,不仅仅是弄懂表面的文字解释,包含通假字、生僻字等,还有诸如用典等表现手法,同时还需要集合作者本身的人生经历以及其所处于的时代背景等等。而人类因为知识获取和记忆的局限,往往在这些方面或多或少地存在着知识盲点,而通过全知视角的AI则能够有效克服。

总之,写诗机器人在一定程度上或是“娱乐至死“的产物,正如法兰克福学派的哈贝马斯所说,这些产品本身并不具备艺术性,只是文化工业的产物。写诗机器人在未来可能也无法代替诗人,其诗作也难以供人们所研究和流传。但是,写诗机器人背后的技术却是一个值得继续挖掘的领域。

深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。 查看全部
“微明的灯影里\我知道她的可爱的土壤\是我的心灵成为俘虏了\我不在我的世界里\街上没有一只灯儿舞了\是最可爱的\你睁开眼睛做起的梦\是你的声音啊”

喜欢这首诗么?这是节选自北京联合出版公司出版的诗集《阳光失了玻璃窗》,而诗集的作者并非是你我这样的人类,而是一名AI机器人——微软小冰。[吟诗作赋不能赚钱,作诗的AI机器人的盈利之路在哪](微软小冰出版的诗集《阳光失了玻璃窗》)

其实除了小冰之外,作诗超过27万首的编诗姬以及专注古诗创作的九歌机器人也引发了社会的热议。就在AI机器人创作诗词越来越潮的时候,质疑也接踵而至,最大的问题就是AI作诗这事是笔好生意吗?

被质疑的初衷:让AI去学作诗或是一个伪命题

在回答AI学作诗的目的之前,我们不妨先思考一下,人类创作诗词是为什么?诗词作为意识的物质外壳,是经过符号化的信息,它的本质是传达人的思想和情感。《毛诗序》中有这么一句“诗者,志之所之也,在心为志,言之为诗”,其所要表达的正是诗词创作的目的。作诗是为了言志抒情,表达人的情感,将人的思想寓于其中。我国诗词能历经数千年依旧流传的原因之一就是其中所饱含着的人文情怀,能够引发共鸣,能够给人以精神上的依赖。

很多时候,我们读的诗歌和文章,并不仅仅只是表面上的铅字,而是与作者进行的精神交流,进入他的生活或者他的想象力空间。正如诗评人秦晓宇所说,“诗人诗歌中是有其经历、追忆、愿景等的,这些浓缩在诗歌文本字里行间,才构成了极大的魅力。“而AI机器人作诗时,有的只是一刻不停的算法运算和严谨周密的二进制。因此,让AI去学作诗被认为就是一个伪命题。

被质疑的质量:抖了一下小机灵的AI作诗机器人,“钱途”坎坷

除了初衷,AI作诗机器人之所以被认为可能赚不了钱,是因为AI作诗机器人作诗的质量,这些作诗机器人“只是和人类玩了一场游戏”。

1. 并非是“作“诗,而是基于诗词学习之后地临摹写作

《扬子江诗刊》副主编胡弦认为,目前看来,小冰的诗歌基本都是“二手货”,而诗歌的本质是原创。

确实,无论是微软小冰的以图写诗,还是九歌机器人玩得贼好的集句诗,诗词创作机器人的背后是由大数据和算法技术作为支撑的。在搭建好人工神经网络的算法后,AI通过不断输入的诗词数据来进行自我学习,包括它们的形式、内容等等。例如微软小冰学习了519 位诗人的现代诗,而九歌机器人学习了30万多首诗作。

[吟诗作赋不能赚钱,作诗的AI机器人的盈利之路在哪]



在通过深度学习,建立好知识图谱之后,AI机器人能够根据所输入的信息,快速进行算法运算,然后输出诗词,这就是AI机器人作诗的过程。这就意味着,AI机器人并非是“作“诗,而是基于诗词学习后地临摹写作。

2. AI的创作优势与一首好的诗作并没有直接的联系

通过上文对于AI机器人作诗路径的分析,我们能够看到与人类相比,AI机器人作诗至少有着三个优势。第一,速度快。AI机器人能够通过持续不断的学习,来提高信息的处理和输入速度,往往比人类作诗更快速,通常在10s之内就能完成。第二,句子工整。诗词,尤其是古诗词讲究合辙押韵,而AI机器人是按照固定的路径运行,因此能够严格按照要求输出。第三,博闻强记。AI机器人有着强大的诗词数据库支撑,在集句诗、藏头诗等考查知识储备、词语搭配等方面有着更为突出的优势。

咋一看上去AI机器人似乎比人类更胜一筹,但是别急,我们再来看看在名人名家眼里一首好的诗歌作品应该是怎么样的的。台湾诗人余光中认为,好的诗歌应该包括作者想象力的丰富,语言的高超,讲究音调和意象的营造。浙江“青年文学之星“、中国作协会员高鹏程认为应该是包含三个方面,第一是第一眼看过去就应该让人动容、动心、动情,第二是经得起反复推敲、琢磨,第三是让读者难以忘怀、反复阅读。所以如果按照两位的观点,那就是AI的创作优势与一首好的诗作并没有直接的联系。

3.AI作诗机器人在逻辑和语义连贯上存在着较大问题

AI作诗机器人除了存有创造力、情感等方面的“AI通病”之外,逻辑不清和语义不连贯也是其所存在的突出问题。华东师范大学中文系周圣伟教授以机器人缩写的“新酿三篇常细俗,闻韶一曲已为人”为例,他认为单看任何一句似乎没有太大问题,但是合在一起后,两句诗之间看不出任何的联系,缺乏内在的逻辑关系。复旦大学中文系侯体健副教授在看过作诗机器人“小诗机”的作品之后,也给出了“词语混搭,半通不通”的评价。

综合而言,一方面,我们在阅读AI的诗词之时,由于诗人的创作背景、个人生平等为一片空白,失去支撑点的想象空间完全被扼杀,丧失了阅读诗词的乐趣。另一方面,通过算法技术输出的诗词,本质上只是词语的搭配游戏。因此,AI被质疑只是抖了一个辞藻堆砌的小机灵,在工整的外壳之下是空洞的灵魂。如鲍南在《北京日报》发表的文章中所言,机器人写诗只是一场文字游戏。

当然,这样的评价,前文中所提到的微软小冰、编诗姬以及九歌机器人外,AI作诗的产品市场还有小诗机、薇薇可能会不高兴了。至少从外界看,目前AI作诗的产品市场已经迈向了逐渐成熟的阶段。不过,问题确实摆在面前。从目前的AI作诗产品本身的应用来看,几乎没有更近一步的商业想象空间,还是停留在博观众眼球的阶段。

AI机器人作诗之后,盈利之路在哪?


微信截图_20180112145303.png




从宏观来看,AI作诗机器人所拥有的技术、功能却能够在更大的领域发挥作用。因此,智能相对论(微信id:aixdlun)大胆预想下,可以将AI作诗机器人的优势转向其他领域,来获得商业上的价值。

1.中文语义分析技术能够助力人机交互

人机交互,是产品迈向AI领域的关键之一。但是由于汉语本身所具有的复杂性,使得我国在此领域受到重重阻碍。而AI作诗机器人能够通过深度学习,在中文语义分析能力上得到极大提高,这就为优化中文语义分析的算法提供了基础。例如开发编诗姬的玻森数据就开发了玻森中文语义开放平台,来获得利润。

2.辅助教学,加入AI教育的混战

马化腾曾表示,AI+教育与AI+医疗领域有望诞生超过BAT、达到千亿美金以上规模的企业。AI作诗机器人可以顺势而上,凭借自身在语言文字学习方面的优势,加入AI教育混战。

3.辅助科研,以全知视角助力克服知识盲点

虽然说AI作诗机器人自己创作被名家们认为不行,但是可以凭借其强大的学习能力和记忆能力来构建一个完整和全面的知识图谱,以全知的视角来帮助科研人员进行调查研究工作。例如在理解一首诗歌之时,不仅仅是弄懂表面的文字解释,包含通假字、生僻字等,还有诸如用典等表现手法,同时还需要集合作者本身的人生经历以及其所处于的时代背景等等。而人类因为知识获取和记忆的局限,往往在这些方面或多或少地存在着知识盲点,而通过全知视角的AI则能够有效克服。

总之,写诗机器人在一定程度上或是“娱乐至死“的产物,正如法兰克福学派的哈贝马斯所说,这些产品本身并不具备艺术性,只是文化工业的产物。写诗机器人在未来可能也无法代替诗人,其诗作也难以供人们所研究和流传。但是,写诗机器人背后的技术却是一个值得继续挖掘的领域。

深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。
506 浏览

看病排队难,阅片机器人什么时候才能让我们加快脚步?

智能科技类 陈宽#14530 2018-01-10 14:41 发表了文章 来自相关话题

还记得你上次为了看一个X片的结果在医院排队排了多久吗?

在传统医学上,医生需要把片子对着灯光一张一张来看,费时费力,而且一旦疲劳,阅片的成功率会有所下降,产生判断错误的概率。

不过这个问题很快可能会得到解决。日前在央视一套一档人工智能节目《机智过人》中,一

阅片机器人几秒内看了三百多张CT片,连撒贝宁都惊诧懵了。

如果你对于医学影像识别领域有所关注的话,2017年最有趣的事莫过于杭州健培科技与阿里巴巴iDST视觉计算团队,在国际权威肺结节诊断大赛LUNA16的世界记录之争。最终,健培的“啄医生”阅片机器人以91.3%的平均召回率重回第一,并且创造了新的世界纪录。通过这场世界记录之争,其所反映出的是我国阅片机器人这一细分领域的蓬勃发展。



(“啄医生”阅片机器人)

事实上,从肺部影像人工智能诊断系统“天肺一号”的推出,到腾讯的“腾讯觅影”、阿里巴巴“ET医疗大脑”纷纷入场搅局再到阅片机器人“视诊通”大战84位影像科的专业医生、“啄医生”阅片机器人与15名三甲医院主治医师打成平手,方兴未艾的阅片机器人已经博得社会各界阵阵热议,人们也在对它无限遐想。

阅片机器人真的能做到既快又准 ?

AI机器人凭什么能做阅片?

随着AI在医疗领域的深度落地,AI机器人在大数据和算法技术的支撑之下,能够对MRI图像、CT图像、超声图像等医疗影像进行识别和处理,并且通过进行自主学习,来不断提高处理的能力和效率,从而能够辅助医生来进行阅片诊断。 









一般来说,在唤醒机器人后,阅片机器人的运行会经过图像输入、图像分割与识别、图像分析和信息输出四个步骤。图像输入是指将张数不等的医疗影像输入进阅片机器人,例如一整套CT图像大概由200到600张切片组成;图像分割与识别是指阅片机器人会对于输入的序列图像进行算法分割与识别,标注病灶等;图像分析是指对于病灶进行相关分析,包括磨玻璃的密度、实性成分占比等等,如阿里巴巴“ET医疗大脑”的智能诊断功能就是基于深度学习之后,发掘病灶的内在规律;信息输出指将所得出数据进行汇总,得出报告。

通过对阅片机器人的运行路径观察,我们不难发现其具有高效率、客观性等特征,能够在提高医生诊断效率的同时,减少人为失误率。

阅片机器人的“爆红”为什么是在这个时候?

另外,阅片机器人的快速发展其实是与算法技术在此领域的成熟应用分不开的。阅片机器人的核心就是医学图像的处理技术,包含图像的去噪、增强和分割等,而这背后则是算法技术的支撑。智能相对论(微信id:aixdlun)查询诸多文献后,发现目前比较常用的算法有蚁群算法、模糊集合论、卷积神经网络算法以及各种算法之间的融合等。

1.蚁群算法(Ant Colony Optimization)

蚁群算法是在研究蚂蚁觅食的过程之中,所得出的用来寻找优化路径的概率型算法。在医疗图像处理之中,常常是基于区域内部灰度相似性和区域之间灰度的不连续性来进行图像分割的。因此能够利用蚁群算法的“正反馈”效应以及分布式的计算方式,来完成对于输入图像的分割。

2.模糊集合论(Fuzzy Sets Theory)

待考察的对象及反映它的模糊概念作为一定的模糊集合,建立适当的隶属函数,通过模糊集合的有关运算和变换,对模糊对象进行分析。目前基于模糊集合论的图像处理方法包括模糊连接度割法、模糊聚类分割法等。

3.卷积神经网络算法(Convolutional Neural Network)

卷积神经网络由人工神经网络发展优化而来,是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。卷积神经网络采用了局部连接和共享权值的方式,避免了对图像的复杂前期预处理,可以直接输入原始图像,并且还具有良好的容错能力、并行处理能力和自学习能力,可处理复杂的环境信息。据悉,“啄医生”采用的算法就是运用了中科大的安虹教授团队基于影像识别的3D卷积神经网络算法上进行的优化。

正是这些算法的成熟,才促成了这些“阅片机器人”性能的快速提高,也让它“飞入寻常医院”加快了脚步。

阅片机器人在普及之前,还需要解决这三个问题

不过,尽管阅片机器人有着科学和强大的技术支撑,但要全面进入医疗应用阶段,让所有人都不用再去排队苦等医生诊断,还需要一点时间。目前主要的三大不确定因素主要表现在程序设定、数据学习和数据保护三个方面。

第一,程序设定上的失误,可能促使误诊的大规模发生

阅片机器人目前仍然达不到100%的精确判断,正如开头所提到,目前肺结节诊断正确率的世界纪录为91.3%,“视诊通”在进行“甲状腺结节超声图像的性质判定”时正确率也只有76%。其原因一方面是受到目前客观科技水平的限制,另一方面则是人的主观失误。

正如前文所介绍,支撑阅片机器人运行的是一整套由人预设好的程序,程序的各个环节紧密相连,前后相继,最终完成阅片机器人的工作。而人的主观失误正是体现在程序的预设上,如果其中任何一个环节设定出现了纰漏,会使得最终的数据报告出现偏差,从而会导致医生的诊断和治疗方案失误。此前强生CTC检测仪器Cellsearch系统就被爆出存在包括X、Y、Z轴移动超时、复位错误等共37个类别的问题,所幸仪器在问题发现之前还未造成严重事故。

第二,急需更多有质有量的案例,提升学习能力

AI阅片机器人实现自我学习功能的根基是大量的学习数据输入,学习数据的质和量都对AI阅片机器人产生重大的影响,学习的数量越多、案例越典型,识就别的速度和质量会越高。相较而言,目前医疗相关数据在质和量上都存在着问题。其一是大量的医疗数据未进行电子化,其二则是医院与医院之间存在藩篱,缺失共享、开发的数据库。在《机智过人》的节目之中,健培科技CEO程国华透露其阅片机器人学习的医疗影像资料为十万套以上,而同场竞技的主治医师都为二十万套以上。再来一个数据可能会更为直观,战胜人类棋手的AlphaGo一共学习了数百万人类围棋专家的棋谱。

第三,医疗数据监管力度不足,个人隐私保护成疑

阅片机器人进行诊断的医疗影像资料报告在输出给医生的同时,也通过信息传输技术,保存在了机器生产商的云平台之中。经过时间的积累,机器生产商所拥有的个人数据会非常庞大。而这也就意味着,在目前我国医疗数据监管乏力的情况之下,个人的隐私将受到极大的威胁。

在去年浙江松阳所破获的一起特大侵犯公民个人信息案件中,犯罪嫌疑人入侵某部委的医疗服务信息系统,获取各类公民个人信息达7亿余条。正如和美医疗控股有限公司创始人林玉明所提倡的一样,希望国家对数据立法来保障个人的隐私安全。

目前阅片机器人所取得的成就,标志着我国在AI部分细分领域的突破性发展。尽管有些问题待解,但我们依然期待机器人能缩短我们看病排队的时长,去医院不再“难于上青天”。

智能相对论(微信id:aixdlun):深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。 查看全部
还记得你上次为了看一个X片的结果在医院排队排了多久吗?

在传统医学上,医生需要把片子对着灯光一张一张来看,费时费力,而且一旦疲劳,阅片的成功率会有所下降,产生判断错误的概率。

不过这个问题很快可能会得到解决。日前在央视一套一档人工智能节目《机智过人》中,一

阅片机器人几秒内看了三百多张CT片,连撒贝宁都惊诧懵了。

如果你对于医学影像识别领域有所关注的话,2017年最有趣的事莫过于杭州健培科技与阿里巴巴iDST视觉计算团队,在国际权威肺结节诊断大赛LUNA16的世界记录之争。最终,健培的“啄医生”阅片机器人以91.3%的平均召回率重回第一,并且创造了新的世界纪录。通过这场世界记录之争,其所反映出的是我国阅片机器人这一细分领域的蓬勃发展。



(“啄医生”阅片机器人)

事实上,从肺部影像人工智能诊断系统“天肺一号”的推出,到腾讯的“腾讯觅影”、阿里巴巴“ET医疗大脑”纷纷入场搅局再到阅片机器人“视诊通”大战84位影像科的专业医生、“啄医生”阅片机器人与15名三甲医院主治医师打成平手,方兴未艾的阅片机器人已经博得社会各界阵阵热议,人们也在对它无限遐想。

阅片机器人真的能做到既快又准 ?

AI机器人凭什么能做阅片?

随着AI在医疗领域的深度落地,AI机器人在大数据和算法技术的支撑之下,能够对MRI图像、CT图像、超声图像等医疗影像进行识别和处理,并且通过进行自主学习,来不断提高处理的能力和效率,从而能够辅助医生来进行阅片诊断。 



微信截图_20180110143959.png



一般来说,在唤醒机器人后,阅片机器人的运行会经过图像输入、图像分割与识别、图像分析和信息输出四个步骤。图像输入是指将张数不等的医疗影像输入进阅片机器人,例如一整套CT图像大概由200到600张切片组成;图像分割与识别是指阅片机器人会对于输入的序列图像进行算法分割与识别,标注病灶等;图像分析是指对于病灶进行相关分析,包括磨玻璃的密度、实性成分占比等等,如阿里巴巴“ET医疗大脑”的智能诊断功能就是基于深度学习之后,发掘病灶的内在规律;信息输出指将所得出数据进行汇总,得出报告。

通过对阅片机器人的运行路径观察,我们不难发现其具有高效率、客观性等特征,能够在提高医生诊断效率的同时,减少人为失误率。

阅片机器人的“爆红”为什么是在这个时候?

另外,阅片机器人的快速发展其实是与算法技术在此领域的成熟应用分不开的。阅片机器人的核心就是医学图像的处理技术,包含图像的去噪、增强和分割等,而这背后则是算法技术的支撑。智能相对论(微信id:aixdlun)查询诸多文献后,发现目前比较常用的算法有蚁群算法、模糊集合论、卷积神经网络算法以及各种算法之间的融合等。

1.蚁群算法(Ant Colony Optimization)

蚁群算法是在研究蚂蚁觅食的过程之中,所得出的用来寻找优化路径的概率型算法。在医疗图像处理之中,常常是基于区域内部灰度相似性和区域之间灰度的不连续性来进行图像分割的。因此能够利用蚁群算法的“正反馈”效应以及分布式的计算方式,来完成对于输入图像的分割。

2.模糊集合论(Fuzzy Sets Theory)

待考察的对象及反映它的模糊概念作为一定的模糊集合,建立适当的隶属函数,通过模糊集合的有关运算和变换,对模糊对象进行分析。目前基于模糊集合论的图像处理方法包括模糊连接度割法、模糊聚类分割法等。

3.卷积神经网络算法(Convolutional Neural Network)

卷积神经网络由人工神经网络发展优化而来,是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。卷积神经网络采用了局部连接和共享权值的方式,避免了对图像的复杂前期预处理,可以直接输入原始图像,并且还具有良好的容错能力、并行处理能力和自学习能力,可处理复杂的环境信息。据悉,“啄医生”采用的算法就是运用了中科大的安虹教授团队基于影像识别的3D卷积神经网络算法上进行的优化。

正是这些算法的成熟,才促成了这些“阅片机器人”性能的快速提高,也让它“飞入寻常医院”加快了脚步。

阅片机器人在普及之前,还需要解决这三个问题

不过,尽管阅片机器人有着科学和强大的技术支撑,但要全面进入医疗应用阶段,让所有人都不用再去排队苦等医生诊断,还需要一点时间。目前主要的三大不确定因素主要表现在程序设定、数据学习和数据保护三个方面。

第一,程序设定上的失误,可能促使误诊的大规模发生

阅片机器人目前仍然达不到100%的精确判断,正如开头所提到,目前肺结节诊断正确率的世界纪录为91.3%,“视诊通”在进行“甲状腺结节超声图像的性质判定”时正确率也只有76%。其原因一方面是受到目前客观科技水平的限制,另一方面则是人的主观失误。

正如前文所介绍,支撑阅片机器人运行的是一整套由人预设好的程序,程序的各个环节紧密相连,前后相继,最终完成阅片机器人的工作。而人的主观失误正是体现在程序的预设上,如果其中任何一个环节设定出现了纰漏,会使得最终的数据报告出现偏差,从而会导致医生的诊断和治疗方案失误。此前强生CTC检测仪器Cellsearch系统就被爆出存在包括X、Y、Z轴移动超时、复位错误等共37个类别的问题,所幸仪器在问题发现之前还未造成严重事故。

第二,急需更多有质有量的案例,提升学习能力

AI阅片机器人实现自我学习功能的根基是大量的学习数据输入,学习数据的质和量都对AI阅片机器人产生重大的影响,学习的数量越多、案例越典型,识就别的速度和质量会越高。相较而言,目前医疗相关数据在质和量上都存在着问题。其一是大量的医疗数据未进行电子化,其二则是医院与医院之间存在藩篱,缺失共享、开发的数据库。在《机智过人》的节目之中,健培科技CEO程国华透露其阅片机器人学习的医疗影像资料为十万套以上,而同场竞技的主治医师都为二十万套以上。再来一个数据可能会更为直观,战胜人类棋手的AlphaGo一共学习了数百万人类围棋专家的棋谱。

第三,医疗数据监管力度不足,个人隐私保护成疑

阅片机器人进行诊断的医疗影像资料报告在输出给医生的同时,也通过信息传输技术,保存在了机器生产商的云平台之中。经过时间的积累,机器生产商所拥有的个人数据会非常庞大。而这也就意味着,在目前我国医疗数据监管乏力的情况之下,个人的隐私将受到极大的威胁。

在去年浙江松阳所破获的一起特大侵犯公民个人信息案件中,犯罪嫌疑人入侵某部委的医疗服务信息系统,获取各类公民个人信息达7亿余条。正如和美医疗控股有限公司创始人林玉明所提倡的一样,希望国家对数据立法来保障个人的隐私安全。

目前阅片机器人所取得的成就,标志着我国在AI部分细分领域的突破性发展。尽管有些问题待解,但我们依然期待机器人能缩短我们看病排队的时长,去医院不再“难于上青天”。

智能相对论(微信id:aixdlun):深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。
632 浏览

一周企服|国产工业机器人应用持续增长;金山云D系列融资共5.2亿美元;DNA云计算服务商获投

机械自动化类 陈宽#14530 2018-01-09 15:41 发表了文章 来自相关话题

一周企服|国产工业机器人应用持续增长;金山云D系列融资共5.2亿美元;DNA云计算服务商获投夜叶 • 2018-01-08 • 创投新闻
2017年12月,金山云宣布获得3亿美元D轮融资,近日再获2.2亿美元D+轮融资。据不完全统计,2018年1月1日至年1月31日,国内外企业服务领域投融资事件共记录31起。








行业动态

微软收购云存储技术公司Avere Systems,后者曾获谷歌投资

据新浪科技报道,微软宣布,将收购宾夕法尼亚州混合云数据存储公司Avere Systems,具体的收购金额并未透露。Avere Systems创建于2008年,主要帮助企业协调本地数据存储和公共云数据存储,同时提供一系列软件和基于硬件的服务。当前,Avere Systems的云合作伙伴主要包括亚马逊和谷歌,而并不包括微软。Avere Systems已融资约8600万美元,谷歌也是投资者之一。

2017年上半年销售1.8万台,国产工业机器人应用持续增长

中国机器人产业联盟发布的数据显示,2017年国产工业机器人销量继续增长,上半年累计销售18519台,按可比口径计算较上年增长22.9%。中国机器人产业联盟理事长曲道奎介绍说,如今国产工业机器人已服务于国民经济37个行业大类,102个行业中类,同比拓展了3个行业大类,11个行业中类。(人民日报)

行业/技术解决方案

店盒子获得数百万元天使轮融资

店盒子是一个帮助零售店连接更多顾客的管理工具和平台。通过商品管理、交易管理、顾客关怀、iPad收银等功能,帮助零售创业者轻松管理店铺、连接更多顾客。2016年6月,店盒子获得数百万元天使轮融资,投资方为壹诺创投。

利泽智能完成200万元种子轮融资

利泽菲尔是一家智能图像深度信息挖掘服务平台,专注于解决智能安防监控、目标检测、人脸识别等终端分析能力有限的问题,采用分布式视频计算方法,并提供一系列算法积木式模块的方式,帮助企业针对于特定应用实现快速的产品迭代与升级。近日,利泽智能获得200万元种子轮融资,投资方为北京金色种子科技。

DNAnexus获5800万美元E轮融资

DNAnexus成立于2009年,是一家服务于DNA的云计算解决方案,提供DNA数据存储、共享、分析、管理等服务。近日, DNAnexus 刚完成5800万美元融资,Foresite Capital领投,微软、TPG Biotech、药明明码、GV(前谷歌风投)、MidCap Financial 以及 Claremont Creek Ventures 参投。本轮资金将用于发展转化医学解决方案(translational medicine solutions),扩大其在世界医学临床试验中的影响。

小满科技完成6500万元C轮融资

国际贸易解决方案供应商小满科技宣布完成6500万元人民币C轮融资。本轮融资由华创资本领投,老股东启明创投跟投。小满科技创始人文博亮表示,本轮融资的资金主要用于产品研发与客户服务体系建设。一是持续将大数据与人工智能技术应用于外贸领域,利用前沿的互联网技术为外贸企业提供智能化解决方案;二是通过完善的客户服务体系,为客户提供更多的产品及知识服务,帮助客户取得成功。

IT基础设施


金山云获得2.2亿美元D+轮融资

金山云2012年从金山软件拆分独立,是一家云存储服务提供商,旗下有快盘、云服务平台等。近日,金山云获得2.2亿美元D+轮融资,光远资本、骊悦投资、顺为资本联合领投,金山软件跟投。在2017年12月,金山云刚刚宣布获得3亿美元D系列融资,至此,金山云D系列融资累计达5.2亿美元,创中国云计算行业融资额新高,投后估值已达21.2亿美元。

白山云获3.3亿元C轮融资

云链服务提供商白山云完成3.3亿元C轮融资,投资方为阿尔法资本和春珈资本。本轮融资将主要用于技术研发与产品创新,继续发力云后市场。白山云是一家云链服务商,成立于2015年4月,主要是为客户提供高效数据内容应用与交换的定制化服务。云链服务(CCX)的核心是建立数据与数据的连接,为数据的传输、存储、消费和治理提供全生命周期服务。(拓扑社)

靠谱云完成A轮数千万元融资

靠谱云是一个混合云服务商,致力为互联网企业和从业者提供高性能、可信赖的混合云服务。近日,靠谱云获投数千万人民币,完成A轮融资,东兴资本、信息资本参投。

人力资源

仟寻招聘获数1500万美元B轮融资

近日,仟寻招聘获数1500万美元B轮融资,业内人力资源集团领投(暂不披露),A轮投资方Recruit集团继续跟投。仟寻招聘是一家为企业提供完整移动招聘解决方案的公司,帮助企业通过挖掘员工社交关系快速征询所需人才,同时仟寻还可无缝对接全球主流的候选人追踪系统(ATS)至微信移动端。仟寻已经为超过千家的企业提供移动招聘服务,其中不乏有京东、小米、360等国内领军互联网企业,还囊括沃尔玛、迪士尼、博世等世界500强。

Bello提尔夫人才咨询获投数千万元天使轮融资

Bello是一家基于AI的自动化招聘系统研发商,为用户提供AI+顾问、职场数据、招聘SaaS服务;系统定期更新候选人数据库,同时机器自动扫描全部候选人,帮助企业找到合适的人才,降低招聘的单位成本,据悉,Bello提尔夫人才咨询获投数千万人民币,由昊翔资本领投完成天使轮融资,随后由云天使基金完成天使+轮融资。

人力资源分析平台IDfy获300万美元B轮融资

近日,IDfy完成B轮300万美元融资,Dream Incubator、NB Ventures、NEA恩颐投资参投。IDfy是印度的一个专门提供员工背景调查服务的人力资源分析平台,主要为企业人力资源部门提供员工背景调查、验证服务和人力资源智能服务;还为企业用户提供核对应聘候选人资料,个人身份证信息确认,以及工作经验、学历、地址等信息验证。

智能简历管理工具亿封简历获千万元A轮融资

智能简历管理工具亿封简历于去年11月获千万元A轮融资,启赋领投,联创跟投,爱员工战略跟投,优化资本担任此次融资的财务顾问。亿封简历是一个服务于中小企业的ATS工具,该套SaaS系统还为企业提供了一站式招聘服务,从简历整理、职位整理、面试安排,到 Offer 发放、内部审批等一系列入职前流程。除了ATS,亿封简历还为企业提供了简历管理工具云才库和职位发布工具云职位这两个产品。任何企业在亿封简历官网注册验证之后,都可免费使用该套产品。

销售营销

小满科技完成C轮6500万元融资

深圳小满科技是一家外贸B2B+CRM解决方案服务商,旗下产品有锦云外贸管理专家、小满CRM等,据悉,小满科技获投6500万人民币,完成C轮融资,华创资本领投,启明创投参投,本轮融资的资金主要用于产品研发与客户服务体系建设。

车巡IMS获数千万元Pre-A轮融资

车巡IMS是一家汽车经销商营销管理平台,主要面向汽车经销商,帮助汽车行业进行营销业务转型,为经销商用户配置了可视化工作报表,为决策者展现全视角业务分析模型,实现经销商全产业链和面向顾客全生命周期的营销管理。近日,车巡IMS获得数千万元Pre-A轮融资,元龙资本领投,多家资本跟投。

一帧获Pre-A轮融资,推短视频广告系统试水商业化

短视频数据公司“一帧”已获得1000万元Pre-A轮融资,资方暂不便透露。“一帧”是36氪持续报道并推荐内参的公司,成立于2017年5月份,此前获得过600万元的天使轮融资。他的思路是,先用工具切入内容方,帮短视频创作者进行内容分发,并且统计数据、分析用户画像。一帧的目标客户主要是几十人规模的PGC、MCN团队,通过一帧的短视频分发工具,PGC、MCN等短视频原创内容团队可以一键把视频发布到20多个平台上,主要覆盖四类:第一是微博类的社交媒体平台;第二是爱奇艺类的传统视频网站;第三是美拍类的短视频网站;第四是今日头条这样的新闻资源客户端。

网络安全

悠络客获得7887万人民币C轮融资

上海悠络客电子科技是一家视频监控云服务及联网监控运营商,为连锁企业、物流行业、教育、政府等提供联网监控运营服务。近日,悠络客获得7887万人民币C轮融资,招商局领投,理成资产、中昌数据及默默赢跟投。新资金主要用于搭建PaaS和加大人工智能研发投入。

安赛科技AIScanner获投A轮1亿元融资

安赛AISEC致力为企业提供真实有效的安全解决方案,产品包括漏洞扫描产品:AIScanner安全检测系统;WebIDS:Web漏洞感知与入侵检测系统;智能私有云WAF:Web应用防火墙;APT:APT高级威胁分析平台。近日,安赛科技AIScanner获投1亿人民币,完成A轮融资,腾讯参投,致力安全领域AI与云计算结合。

数据服务

投融资大数据服务商超对称获线性资本投资

超对称科技是一家全球商业数据服务提供商,为基金、PE和公司战略部门在项目调研和交易过程提供决策支持。近日,超对称科技获得A轮融资,投资方为线性资本和Sirius Investment。

信义科技获得 3.27亿元战略投资

信义科技是一家大数据综合应用服务企业,专注于视频整合及软件供应,研发网上作战平台、视频服务器、海量数据分析仪等多种软硬件产品,产品应用于城市治安、金融、交通等领域,为企业提供解决方案和咨询服务。近日,信义科技获得 3.27亿人民币战略投资,投资方为广电运通。

bywin半云科技获得天使轮融资

半云科技是一家大数据解决方案提供商,主要从事新型智慧城市等顶层设计行业解决方案及相关服务,核心产品包括ET城市数据大脑、大数据集成管控平台、大数据深度学习与开放平台和可视分析展现平台,可服务于交通综合服务管理、中小企业上云服务、气象系统服务等领域,据悉,bywin半云科技获得新一轮融资,银杏谷资本参投。

TrendKite获1100万美元E轮融资

TrendKite是一家提供PR分析服务的初创公司,主要为企业用户提供PR策略服务和新闻影响力分析,例如哪些文章对提升品牌影响力最有效,文章覆盖了多少用户以及用户对此的反馈如何等等。近日,TrendKite获投1100万美元,完成E轮融资,Harmony Partners参投。

移动应用分析公司CleverTap获B轮融资

CleverTap是一家移动应用分析公司,旗下移动应用分析平台可以分析用户行为和用户参与信息,继而帮助企业详细了解其网站和移动应用端的用户、事件、以及行为信息,然后企业就可以针对性地制定营销策略,提高客户保留率、参与度和转化率,近日,CleverTap获得新一轮融资Recruit Holdings领投,Accel Partners、Sequoia Capital(红杉海外)参投。

WP Engine获得2.5亿美元C+轮融资

近日,WP Engine获得2.5亿美元C+轮融资,投资方为银湖资本。WP Engine是一个WordPress数字体验平台,是使用PHP语言开发的博客平台,用户可以在支持PHP和MySQL数据库的服务器上架设自己的网志,并对WordPress网站和应用提供托管服务。

前装车联网大数据服务运营商彩虹无线获B轮融资

彩虹无线宣布已获得B轮融资,投资方为东风资产管理有限公司及远毅资本。彩虹无线是一家基于前装车联网大数据的服务运营商,“车联网大数据平台”和“保险撮合交易平台”是公司的核心资产,数据来源聚焦于车联网前装市场。据了解,彩虹无线目前已经在十几家主机厂实现了基于数据的金融创新服务,特别是保险创新服务已经有成熟的方案和实施路径。在数据智能服务上,对大数据在汽车全生命周期的价值创造也逐渐清晰,体现在对研发优化、生产效率提升、精准营销,以及售后服务管理等多个方面。

B2B平台

专注于卖家服务,B2B2C轻奢电商平台“全球猎手”已获千万级种子轮融资

B2B2C轻奢电商平台“全球猎手”的平台上拥有腕表、美妆、配饰、独立设计等产品品类,sku在1000个左右。去年6月,全球猎手已获得千万级种子轮融资,投资方为万天国际。据悉,下一轮融资将在全球猎手App上线并获得一定数据后进行,主要用于产品打磨与市场推广方面。(猎云网)

其他企业服务

物联网端到端产品及服务提供商粒聚科技获得A轮融资

粒聚科技是一家物联网端到端产品及服务提供商,坚持自主研发物联网技术,其产品已应用在在低功耗物联网网络覆盖、传感接入和数据挖掘分析等方面,致力于成为城市级智能化示范应用的推动者,孵化运营基地的践行者,物联网开放能力平台的供应商,打造中国物联网产业的领先企业,据悉,粒聚科技获得新一轮融资,置柏投资投资。

城兴股份获得过亿元新一轮融资

近日,城兴股份获得过亿元新一轮融资,国中创投领投,深圳市创新投资集团及河北汉明达信息产业创业投资有限公司跟投。城兴股份专注于三四线城市及城镇乡村规划设计,各类市政工程设计、咨询以及以园林景观规划及城市空间艺术设计。本轮融资资金将主要用于全国发展布局、科技研发、补充流动资金等。

职业链 CTEChian获数千万元融资

人力资源信用区块链项目职业链 CTEChian获得由极豆资本、香港尚亚交易所、创大资本联合投资的数千万元。本轮融资资金将主要用于建立和强化职场人的职场价值标准化体系,建立诚信化、价值化、技能具象化的开放性职业信息链。职业链 CTEChain,全称职业信用价值链,是基于区块链去中心化协议所建立的项目,定位于区块链行业的“领英 LinkedIn”。

黑芝麻智能获数千万元A+轮融资

黑芝麻智能科技是一家专注于数字影像核心技术开发与应用的高科技企业,核心业务为基于人工智能的图像处理和计算图像解决方案,以及基于控光技术、图像处理和深度学习的嵌入式感知平台,产品可应用于移动设备、汽车、安防以及多种消费电子产品。黑芝麻智能日前宣布完成近亿元A+轮战略融资,由蔚来资本领投,芯动能投资基金、北极光创投等跟投。

博盛尚获得天使轮融资

近日,博盛尚获得天使轮融资,投资方为招商局创投。博盛尚是一家高精度卫星导航定位方案提供商,产品可应用于车道级定位导航、无人驾驶汽车、无人机、无人船、高精度车载船载机载定位导航、地理信息采集测绘终端、机器人、军用和警用、航道管理、机械控制等领域。

人工智能初创公司灵动科技完成1000万美元A轮融资

灵动科技已于2017年9月完成1000万美元A轮融资,由鼎晖投资、钟鼎创投共同领投。在这之前的一年时间内,灵动科技还完成了种子轮和天使轮两轮融资。融资将主要用于仓储协作机器人和登机箱机器人的量产以及人才的招募。据介绍,灵动科技是在中美两地注册,并且研发应用在B2B和B2C领域产品的全球化人工智能公司。该公司的核心技术主要聚焦于机器视觉(CV)、自动驾驶和电子工程与控制(EE)三大领域。未来,公司致力于“让机器人感知世界,让机器人自由行走”,进一步提高人类的生产力。

机器人控制系统研发商艾利特获 5000 万元 A 轮融资

智能机器人控制系统研发商艾利特近日获得 5000 万元 A 轮融资,由策源创投领投,元禾原点跟投。本轮资金将用于协作机器人的量产。公司主营产品包括机器人控制系统集高性能多核 ARM 处理器、混合实时操作系统、先进轨迹控制算法、混合传感技术等,广泛应用于焊接、打磨、喷涂、人机智能协作、机器人物联网等领域。 查看全部
一周企服|国产工业机器人应用持续增长;金山云D系列融资共5.2亿美元;DNA云计算服务商获投夜叶 • 2018-01-08 • 创投新闻
2017年12月,金山云宣布获得3亿美元D轮融资,近日再获2.2亿美元D+轮融资。据不完全统计,2018年1月1日至年1月31日,国内外企业服务领域投融资事件共记录31起。


微信截图_20180109153943.png



行业动态

微软收购云存储技术公司Avere Systems,后者曾获谷歌投资

据新浪科技报道,微软宣布,将收购宾夕法尼亚州混合云数据存储公司Avere Systems,具体的收购金额并未透露。Avere Systems创建于2008年,主要帮助企业协调本地数据存储和公共云数据存储,同时提供一系列软件和基于硬件的服务。当前,Avere Systems的云合作伙伴主要包括亚马逊和谷歌,而并不包括微软。Avere Systems已融资约8600万美元,谷歌也是投资者之一。

2017年上半年销售1.8万台,国产工业机器人应用持续增长

中国机器人产业联盟发布的数据显示,2017年国产工业机器人销量继续增长,上半年累计销售18519台,按可比口径计算较上年增长22.9%。中国机器人产业联盟理事长曲道奎介绍说,如今国产工业机器人已服务于国民经济37个行业大类,102个行业中类,同比拓展了3个行业大类,11个行业中类。(人民日报)

行业/技术解决方案

店盒子获得数百万元天使轮融资

店盒子是一个帮助零售店连接更多顾客的管理工具和平台。通过商品管理、交易管理、顾客关怀、iPad收银等功能,帮助零售创业者轻松管理店铺、连接更多顾客。2016年6月,店盒子获得数百万元天使轮融资,投资方为壹诺创投。

利泽智能完成200万元种子轮融资

利泽菲尔是一家智能图像深度信息挖掘服务平台,专注于解决智能安防监控、目标检测、人脸识别等终端分析能力有限的问题,采用分布式视频计算方法,并提供一系列算法积木式模块的方式,帮助企业针对于特定应用实现快速的产品迭代与升级。近日,利泽智能获得200万元种子轮融资,投资方为北京金色种子科技。

DNAnexus获5800万美元E轮融资

DNAnexus成立于2009年,是一家服务于DNA的云计算解决方案,提供DNA数据存储、共享、分析、管理等服务。近日, DNAnexus 刚完成5800万美元融资,Foresite Capital领投,微软、TPG Biotech、药明明码、GV(前谷歌风投)、MidCap Financial 以及 Claremont Creek Ventures 参投。本轮资金将用于发展转化医学解决方案(translational medicine solutions),扩大其在世界医学临床试验中的影响。

小满科技完成6500万元C轮融资

国际贸易解决方案供应商小满科技宣布完成6500万元人民币C轮融资。本轮融资由华创资本领投,老股东启明创投跟投。小满科技创始人文博亮表示,本轮融资的资金主要用于产品研发与客户服务体系建设。一是持续将大数据与人工智能技术应用于外贸领域,利用前沿的互联网技术为外贸企业提供智能化解决方案;二是通过完善的客户服务体系,为客户提供更多的产品及知识服务,帮助客户取得成功。

IT基础设施


金山云获得2.2亿美元D+轮融资

金山云2012年从金山软件拆分独立,是一家云存储服务提供商,旗下有快盘、云服务平台等。近日,金山云获得2.2亿美元D+轮融资,光远资本、骊悦投资、顺为资本联合领投,金山软件跟投。在2017年12月,金山云刚刚宣布获得3亿美元D系列融资,至此,金山云D系列融资累计达5.2亿美元,创中国云计算行业融资额新高,投后估值已达21.2亿美元。

白山云获3.3亿元C轮融资

云链服务提供商白山云完成3.3亿元C轮融资,投资方为阿尔法资本和春珈资本。本轮融资将主要用于技术研发与产品创新,继续发力云后市场。白山云是一家云链服务商,成立于2015年4月,主要是为客户提供高效数据内容应用与交换的定制化服务。云链服务(CCX)的核心是建立数据与数据的连接,为数据的传输、存储、消费和治理提供全生命周期服务。(拓扑社)

靠谱云完成A轮数千万元融资

靠谱云是一个混合云服务商,致力为互联网企业和从业者提供高性能、可信赖的混合云服务。近日,靠谱云获投数千万人民币,完成A轮融资,东兴资本、信息资本参投。

人力资源

仟寻招聘获数1500万美元B轮融资

近日,仟寻招聘获数1500万美元B轮融资,业内人力资源集团领投(暂不披露),A轮投资方Recruit集团继续跟投。仟寻招聘是一家为企业提供完整移动招聘解决方案的公司,帮助企业通过挖掘员工社交关系快速征询所需人才,同时仟寻还可无缝对接全球主流的候选人追踪系统(ATS)至微信移动端。仟寻已经为超过千家的企业提供移动招聘服务,其中不乏有京东、小米、360等国内领军互联网企业,还囊括沃尔玛、迪士尼、博世等世界500强。

Bello提尔夫人才咨询获投数千万元天使轮融资

Bello是一家基于AI的自动化招聘系统研发商,为用户提供AI+顾问、职场数据、招聘SaaS服务;系统定期更新候选人数据库,同时机器自动扫描全部候选人,帮助企业找到合适的人才,降低招聘的单位成本,据悉,Bello提尔夫人才咨询获投数千万人民币,由昊翔资本领投完成天使轮融资,随后由云天使基金完成天使+轮融资。

人力资源分析平台IDfy获300万美元B轮融资

近日,IDfy完成B轮300万美元融资,Dream Incubator、NB Ventures、NEA恩颐投资参投。IDfy是印度的一个专门提供员工背景调查服务的人力资源分析平台,主要为企业人力资源部门提供员工背景调查、验证服务和人力资源智能服务;还为企业用户提供核对应聘候选人资料,个人身份证信息确认,以及工作经验、学历、地址等信息验证。

智能简历管理工具亿封简历获千万元A轮融资

智能简历管理工具亿封简历于去年11月获千万元A轮融资,启赋领投,联创跟投,爱员工战略跟投,优化资本担任此次融资的财务顾问。亿封简历是一个服务于中小企业的ATS工具,该套SaaS系统还为企业提供了一站式招聘服务,从简历整理、职位整理、面试安排,到 Offer 发放、内部审批等一系列入职前流程。除了ATS,亿封简历还为企业提供了简历管理工具云才库和职位发布工具云职位这两个产品。任何企业在亿封简历官网注册验证之后,都可免费使用该套产品。

销售营销

小满科技完成C轮6500万元融资

深圳小满科技是一家外贸B2B+CRM解决方案服务商,旗下产品有锦云外贸管理专家、小满CRM等,据悉,小满科技获投6500万人民币,完成C轮融资,华创资本领投,启明创投参投,本轮融资的资金主要用于产品研发与客户服务体系建设。

车巡IMS获数千万元Pre-A轮融资

车巡IMS是一家汽车经销商营销管理平台,主要面向汽车经销商,帮助汽车行业进行营销业务转型,为经销商用户配置了可视化工作报表,为决策者展现全视角业务分析模型,实现经销商全产业链和面向顾客全生命周期的营销管理。近日,车巡IMS获得数千万元Pre-A轮融资,元龙资本领投,多家资本跟投。

一帧获Pre-A轮融资,推短视频广告系统试水商业化

短视频数据公司“一帧”已获得1000万元Pre-A轮融资,资方暂不便透露。“一帧”是36氪持续报道并推荐内参的公司,成立于2017年5月份,此前获得过600万元的天使轮融资。他的思路是,先用工具切入内容方,帮短视频创作者进行内容分发,并且统计数据、分析用户画像。一帧的目标客户主要是几十人规模的PGC、MCN团队,通过一帧的短视频分发工具,PGC、MCN等短视频原创内容团队可以一键把视频发布到20多个平台上,主要覆盖四类:第一是微博类的社交媒体平台;第二是爱奇艺类的传统视频网站;第三是美拍类的短视频网站;第四是今日头条这样的新闻资源客户端。

网络安全

悠络客获得7887万人民币C轮融资

上海悠络客电子科技是一家视频监控云服务及联网监控运营商,为连锁企业、物流行业、教育、政府等提供联网监控运营服务。近日,悠络客获得7887万人民币C轮融资,招商局领投,理成资产、中昌数据及默默赢跟投。新资金主要用于搭建PaaS和加大人工智能研发投入。

安赛科技AIScanner获投A轮1亿元融资

安赛AISEC致力为企业提供真实有效的安全解决方案,产品包括漏洞扫描产品:AIScanner安全检测系统;WebIDS:Web漏洞感知与入侵检测系统;智能私有云WAF:Web应用防火墙;APT:APT高级威胁分析平台。近日,安赛科技AIScanner获投1亿人民币,完成A轮融资,腾讯参投,致力安全领域AI与云计算结合。

数据服务

投融资大数据服务商超对称获线性资本投资

超对称科技是一家全球商业数据服务提供商,为基金、PE和公司战略部门在项目调研和交易过程提供决策支持。近日,超对称科技获得A轮融资,投资方为线性资本和Sirius Investment。

信义科技获得 3.27亿元战略投资

信义科技是一家大数据综合应用服务企业,专注于视频整合及软件供应,研发网上作战平台、视频服务器、海量数据分析仪等多种软硬件产品,产品应用于城市治安、金融、交通等领域,为企业提供解决方案和咨询服务。近日,信义科技获得 3.27亿人民币战略投资,投资方为广电运通。

bywin半云科技获得天使轮融资

半云科技是一家大数据解决方案提供商,主要从事新型智慧城市等顶层设计行业解决方案及相关服务,核心产品包括ET城市数据大脑、大数据集成管控平台、大数据深度学习与开放平台和可视分析展现平台,可服务于交通综合服务管理、中小企业上云服务、气象系统服务等领域,据悉,bywin半云科技获得新一轮融资,银杏谷资本参投。

TrendKite获1100万美元E轮融资

TrendKite是一家提供PR分析服务的初创公司,主要为企业用户提供PR策略服务和新闻影响力分析,例如哪些文章对提升品牌影响力最有效,文章覆盖了多少用户以及用户对此的反馈如何等等。近日,TrendKite获投1100万美元,完成E轮融资,Harmony Partners参投。

移动应用分析公司CleverTap获B轮融资

CleverTap是一家移动应用分析公司,旗下移动应用分析平台可以分析用户行为和用户参与信息,继而帮助企业详细了解其网站和移动应用端的用户、事件、以及行为信息,然后企业就可以针对性地制定营销策略,提高客户保留率、参与度和转化率,近日,CleverTap获得新一轮融资Recruit Holdings领投,Accel Partners、Sequoia Capital(红杉海外)参投。

WP Engine获得2.5亿美元C+轮融资

近日,WP Engine获得2.5亿美元C+轮融资,投资方为银湖资本。WP Engine是一个WordPress数字体验平台,是使用PHP语言开发的博客平台,用户可以在支持PHP和MySQL数据库的服务器上架设自己的网志,并对WordPress网站和应用提供托管服务。

前装车联网大数据服务运营商彩虹无线获B轮融资

彩虹无线宣布已获得B轮融资,投资方为东风资产管理有限公司及远毅资本。彩虹无线是一家基于前装车联网大数据的服务运营商,“车联网大数据平台”和“保险撮合交易平台”是公司的核心资产,数据来源聚焦于车联网前装市场。据了解,彩虹无线目前已经在十几家主机厂实现了基于数据的金融创新服务,特别是保险创新服务已经有成熟的方案和实施路径。在数据智能服务上,对大数据在汽车全生命周期的价值创造也逐渐清晰,体现在对研发优化、生产效率提升、精准营销,以及售后服务管理等多个方面。

B2B平台

专注于卖家服务,B2B2C轻奢电商平台“全球猎手”已获千万级种子轮融资

B2B2C轻奢电商平台“全球猎手”的平台上拥有腕表、美妆、配饰、独立设计等产品品类,sku在1000个左右。去年6月,全球猎手已获得千万级种子轮融资,投资方为万天国际。据悉,下一轮融资将在全球猎手App上线并获得一定数据后进行,主要用于产品打磨与市场推广方面。(猎云网)

其他企业服务

物联网端到端产品及服务提供商粒聚科技获得A轮融资

粒聚科技是一家物联网端到端产品及服务提供商,坚持自主研发物联网技术,其产品已应用在在低功耗物联网网络覆盖、传感接入和数据挖掘分析等方面,致力于成为城市级智能化示范应用的推动者,孵化运营基地的践行者,物联网开放能力平台的供应商,打造中国物联网产业的领先企业,据悉,粒聚科技获得新一轮融资,置柏投资投资。

城兴股份获得过亿元新一轮融资

近日,城兴股份获得过亿元新一轮融资,国中创投领投,深圳市创新投资集团及河北汉明达信息产业创业投资有限公司跟投。城兴股份专注于三四线城市及城镇乡村规划设计,各类市政工程设计、咨询以及以园林景观规划及城市空间艺术设计。本轮融资资金将主要用于全国发展布局、科技研发、补充流动资金等。

职业链 CTEChian获数千万元融资

人力资源信用区块链项目职业链 CTEChian获得由极豆资本、香港尚亚交易所、创大资本联合投资的数千万元。本轮融资资金将主要用于建立和强化职场人的职场价值标准化体系,建立诚信化、价值化、技能具象化的开放性职业信息链。职业链 CTEChain,全称职业信用价值链,是基于区块链去中心化协议所建立的项目,定位于区块链行业的“领英 LinkedIn”。

黑芝麻智能获数千万元A+轮融资

黑芝麻智能科技是一家专注于数字影像核心技术开发与应用的高科技企业,核心业务为基于人工智能的图像处理和计算图像解决方案,以及基于控光技术、图像处理和深度学习的嵌入式感知平台,产品可应用于移动设备、汽车、安防以及多种消费电子产品。黑芝麻智能日前宣布完成近亿元A+轮战略融资,由蔚来资本领投,芯动能投资基金、北极光创投等跟投。

博盛尚获得天使轮融资

近日,博盛尚获得天使轮融资,投资方为招商局创投。博盛尚是一家高精度卫星导航定位方案提供商,产品可应用于车道级定位导航、无人驾驶汽车、无人机、无人船、高精度车载船载机载定位导航、地理信息采集测绘终端、机器人、军用和警用、航道管理、机械控制等领域。

人工智能初创公司灵动科技完成1000万美元A轮融资

灵动科技已于2017年9月完成1000万美元A轮融资,由鼎晖投资、钟鼎创投共同领投。在这之前的一年时间内,灵动科技还完成了种子轮和天使轮两轮融资。融资将主要用于仓储协作机器人和登机箱机器人的量产以及人才的招募。据介绍,灵动科技是在中美两地注册,并且研发应用在B2B和B2C领域产品的全球化人工智能公司。该公司的核心技术主要聚焦于机器视觉(CV)、自动驾驶和电子工程与控制(EE)三大领域。未来,公司致力于“让机器人感知世界,让机器人自由行走”,进一步提高人类的生产力。

机器人控制系统研发商艾利特获 5000 万元 A 轮融资

智能机器人控制系统研发商艾利特近日获得 5000 万元 A 轮融资,由策源创投领投,元禾原点跟投。本轮资金将用于协作机器人的量产。公司主营产品包括机器人控制系统集高性能多核 ARM 处理器、混合实时操作系统、先进轨迹控制算法、混合传感技术等,广泛应用于焊接、打磨、喷涂、人机智能协作、机器人物联网等领域。
413 浏览

美最新研究:给机器人思考能力,行动前先考虑后果

智能科技类 陈宽#14530 2018-01-03 13:06 发表了文章 来自相关话题

据Futurism网站报道,人类有能力在行动之前思考他们的行为。例如,如果某个人要踢球,他们可能先思考球在哪里,以及如何将球移动到新位置。机器人(特别是那些没有配备高级人工智能的机器人)通常无法做到这一点,因为它们通常被提前编程来执行简单的任务。


美国加州大学伯克利分校的一个研究团队已经确定,机器人也可以有这种思考能力。为了证明这一点,他们开发了一种新的机器人学习技术,使机器人拥有提前思考的能力,以“弄清楚如何操作它们从未遇到过的物体”。这个团队将这种技术称为“视觉预见”,但它不能给机器人预测未来的能力,至少目前还没有。

研究人员将这项技术应用到名为Vestri的机器人上,使其能够预测未来几秒钟内摄像头将会看到什么。通过新的预见能力,Vestri展示了在桌子上移动小物件的能力,而不会触碰或撞倒附近的障碍物。然而,最令人印象深刻的是,这项技术使得机器人能够在没有人的输入、监督或之前的物理知识情况下完成小任务。

加州大学伯克利分校电气工程和计算机科学系助理教授谢尔盖·莱文(Sergey Levine)解释称:“以同样的方式,我们可以想象如何在我们的环境中移动物体。这种方法可以帮助机器人了解不同的行为将如何影响周围的世界,从而在复杂的现实环境中实现高度灵活的智能规划。”

视觉预见是基于“卷积递归视频预测”,即动态神经平流(DNA)技术开发的。研究团队发现,基于DNA的模型能够预测图像中的像素如何根据机器人的行为从一帧移动到另一帧。作为莱文实验室的博士生,同时也是原始DNA模型发明者的切尔西·芬恩(Chelsea Finn)解释说,像Vestri这样的机器人现在可以“完全依靠自己学习一系列的视觉对象操作技能”。

弗雷德里克·埃伯特(Frederik Ebert)是莱文实验室的一名研究生,他也参与了这个项目,他负责将机器人的工作与人类同环境中物体互动的方式进行对比。埃伯特表示:“人类一生中通过与各种各样的物体互动,在没有任何老师教导下学会了物体操纵技能。我们已经证明,可以建立能够利用大量自主收集数据来学习广泛适用操作技巧的机器人系统。”

莱文注意到,Vestri的功能仍然有限,不过正在做更多的工作以提高其视觉预见能力。将来,该技术可以用来帮助无人驾驶汽车上路,更好地装备它们来处理新的情况和对待陌生物体。在此之前,这项技术需要各种改进,比如更精细的视频预测和收集更具体视频数据的方法。在这些改进之后,机器人可以执行更复杂的任务,如升降、放置物体或处理柔软易变形的物体,如布或绳子。也许将来你甚至不需要自己叠衣服,机器人助手完全可以代劳。 查看全部
据Futurism网站报道,人类有能力在行动之前思考他们的行为。例如,如果某个人要踢球,他们可能先思考球在哪里,以及如何将球移动到新位置。机器人(特别是那些没有配备高级人工智能的机器人)通常无法做到这一点,因为它们通常被提前编程来执行简单的任务。


美国加州大学伯克利分校的一个研究团队已经确定,机器人也可以有这种思考能力。为了证明这一点,他们开发了一种新的机器人学习技术,使机器人拥有提前思考的能力,以“弄清楚如何操作它们从未遇到过的物体”。这个团队将这种技术称为“视觉预见”,但它不能给机器人预测未来的能力,至少目前还没有。

研究人员将这项技术应用到名为Vestri的机器人上,使其能够预测未来几秒钟内摄像头将会看到什么。通过新的预见能力,Vestri展示了在桌子上移动小物件的能力,而不会触碰或撞倒附近的障碍物。然而,最令人印象深刻的是,这项技术使得机器人能够在没有人的输入、监督或之前的物理知识情况下完成小任务。

加州大学伯克利分校电气工程和计算机科学系助理教授谢尔盖·莱文(Sergey Levine)解释称:“以同样的方式,我们可以想象如何在我们的环境中移动物体。这种方法可以帮助机器人了解不同的行为将如何影响周围的世界,从而在复杂的现实环境中实现高度灵活的智能规划。”

视觉预见是基于“卷积递归视频预测”,即动态神经平流(DNA)技术开发的。研究团队发现,基于DNA的模型能够预测图像中的像素如何根据机器人的行为从一帧移动到另一帧。作为莱文实验室的博士生,同时也是原始DNA模型发明者的切尔西·芬恩(Chelsea Finn)解释说,像Vestri这样的机器人现在可以“完全依靠自己学习一系列的视觉对象操作技能”。

弗雷德里克·埃伯特(Frederik Ebert)是莱文实验室的一名研究生,他也参与了这个项目,他负责将机器人的工作与人类同环境中物体互动的方式进行对比。埃伯特表示:“人类一生中通过与各种各样的物体互动,在没有任何老师教导下学会了物体操纵技能。我们已经证明,可以建立能够利用大量自主收集数据来学习广泛适用操作技巧的机器人系统。”

莱文注意到,Vestri的功能仍然有限,不过正在做更多的工作以提高其视觉预见能力。将来,该技术可以用来帮助无人驾驶汽车上路,更好地装备它们来处理新的情况和对待陌生物体。在此之前,这项技术需要各种改进,比如更精细的视频预测和收集更具体视频数据的方法。在这些改进之后,机器人可以执行更复杂的任务,如升降、放置物体或处理柔软易变形的物体,如布或绳子。也许将来你甚至不需要自己叠衣服,机器人助手完全可以代劳。
420 浏览

德国工业4.0的大众样本:3万台机器人,50秒造一辆车

智能制造类 陈宽#14530 2017-12-19 16:52 发表了文章 来自相关话题

一个小机器人“哼”着清脆的轻音乐从现场的工人边上“轻巧”地擦身而过,顺利地把几样汽车配件运送到了下一个工位。这并非著名科幻小说家艾萨克·阿西莫夫(Isaac Asimov)描绘的未来场景,而是2017年12月第一财经记者实地探访斯洛伐克首都布拉迪斯拉发的大众工厂车间时所见到的基于工业4.0的现实生产方式,在这里,从大众途锐、奥迪A8直到保时捷卡宴的生产,都有机器人的身影参与其间。

大众的工业4.0尝试

2017年《财富》世界500强排行榜中大众汽车排名第6位。目前大众集团旗下有大众、奥迪、保时捷、兰博基尼、宾利、曼等 12 个品牌,在全球共有120 家工厂、拥有员工超过 62 万人,汽车年产量超过1000万辆。虽然此前经历了“柴油门”风波,但大众集团2016年不计特殊项目支出,集团盈利达到了146亿欧元,创历史纪录。大众仍不失为一艘全球汽车业的“航母”。

[德国工业4.0的大众样本:3万台机器人,50秒造一辆车]

然而,面对汽车业激烈的竞争,尤其是来自于数字化、自动驾驶和电动汽车领域的严峻挑战,这艘“航母”也正在谋求主动变革。根据大众方面给第一财经记者最新提供的规划:到 2025 年,大众汽车集团所有的生产基地,包括在中国的生产工厂,都将实现数字化规划和网络无缝切换,从而保证自我控制、自我优化和可持续的生产。

“从技术层面讲,数字化涉及众多技术,如认知性计算和学习,人工智能、新技能和技术的掌握,以及机器自我优化和自我学习的相关过程。”大众汽车集团管理董事会成员、大众中国总裁兼CEO海兹曼在狼堡总部接受第一财经记者专访时说,数字化是一个总体的概念,深入一点,即是整个生产过程的数字化,以及“工业 4.0”相关的元素。

在海兹曼看来,“工业 4.0”是一个非常整合的概念。在这个概念下,包括了数字化、机器人和人工智能等,而这些正在融入大众汽车集团日常业务运营的方方面面。

而生产流程中的 4.0 从属于“工业 4.0”这个整体概念,“工业 4.0”的概念里面包括生产 4.0。生产 4.0 从研发开始,贯穿到设计以及生产的每一个环节,这里面包括数字化管理手段、数字化技术以及自动化流程的应用。

海兹曼指出,生产 4.0 也罢,还是工业 4.0 也好,都是一个贯穿整个企业运营以及产品生产过程中的数字化过程:比如 VR(Virtual Reality,虚拟现实)技术、智能设备、可穿戴设备的一些应用,以及一些 3D 打印技术的应用。除此之外,还有一些特殊的应用领域:比如在物流方面的自动运输,以及加入了人工智能的物流流程管理,生产设备的保养,整个生产流程的最大化等等。

海兹曼强调,所谓的工业 4.0 或者生产 4.0 概念,并不只局限在生产灵活性这一个环节,在产品研发、生产环节、物流环节、销售和售后服务,以及客户体验方面的改善、优化和提升等方面,都跟工业 4.0紧密相关。“有些技术要分步走,不可能一蹴而就地一夜之间实现,需要时间。”海兹曼还透露,相关技术在大众最重要的国际市场中国的部署会有明确的规划,将按计划推进。

3万台工业机器人

大众集团总部所在地狼堡的大众车间装配线一角,一位一线德国女工和她的工友们正在安装仪表盘等汽车内部组件的流水线上忙碌,和她一起协同忙碌的还有她身边一只巨大的机器人手,机器人手熟门熟路地伸进车窗,短短几分钟里就行云流水般地将仪表盘安装妥当。在这里,有了机器人的辅助,工人完全可以停下来听会音乐,放松自己,甚至能和第一财经记者攀谈一会。

与以往机器和人分处彼此割裂的空间不同,智能机器人实现人类和机器直接同步合作将不再是奢望,背后是因为机器人可以对人的每一个手势都做出反应。大众汽车集团总部 IT 部门智能生产实验室正在为未来的汽车生产制定解决方案。其中一个项目就是智能机器人。人类和机器将首次可以真正携手合作。而之所以能实现这一点,是因为机器人拥有了识别和考量人类想法的能力。

目前,集团IT 部门智能生产实验室主任沃尔夫冈·哈肯贝格博士(Dr.Wolfgang Hackenberg)正带领他的团队与著名的人工智能研究中心——德国人工智能研究中心 (DFKI)的专家们共同研发这一技术。

哈肯贝格博士对第一财经记者解释,在此之前,人类和机器人的工作步骤或者工作空间必须是分开相互独立的,这并不是真正意义上的合作。而在智能生产实验室中,情况则完全不同。“我们通过软件将机器人和传感器整合,使人类和机器人能够避开危险,在同一个空间工作,甚至互相协作。如此,我们首次实现了人类与机器直接同步合作。”

另外,运用人体工程学原理,提高人类的体能效率这一此前的世界级难题也有望被攻克。对于工业机器人来说,这意味着巨大的节能潜力。大众汽车集团数字工厂工作组(Digital Factory Working Group)成员之一、能源效率团队负责人迪特尔·格克勒(Dieter Geckler)博士对第一财经记者说:“通常为了节省体能,举重运动员通过换脚的方式在开始举重前找到理想的平衡点。像举重运动员一样,机器人如果处于正确的位置,也能够节省大量的能源。”

格克勒博士和他的团队偶然发现,机器人在错误的位置执行错误的动作会浪费能源。他们自发地在弗劳恩霍夫研究所开姆尼茨基地的机器人上对他们的理论进行测试——他们这一独特的想法得到了证实。基于这些发现,Geckler博士和他的团队与Ostfalia应用科学大学合作开发了一种软件,用于计算机器人最节能的位置。该软件目前处于测试和优化阶段,只需点击几下,即可计算机器人所有节能操作的位置。

格克勒博士表示,与人体工程学相似,位置优化软件使机器人能平均节省10%到15%的能源,同时减少机器人维护次数,从而延长使用寿命。目前,在大众集团 120个工厂中约有3万台工业机器人,这将节省大量的能源。

但这款易于使用的软件还不是最终产品,位置优化只是第一步,团队目前正在研究机器人路径优化,以节省更多能源。该步骤将计算机器人最节能的动作。第三步也是最后一步,软件将能够优化机器人的加速度和速度。这个优化软件使机器人的位置,路径和速度最优化,将节省高达30%的能源,预计将于2018年开始投入使用。

秒速造车

在大众的斯洛伐克工厂,目前生产(总装)3辆车仅需要2.5分钟,也就是说每辆车的生产时间为0.83分钟,约合50秒。生产汽车以秒计,真正地进入秒速造车阶段。但是在大众方面看来,这一效率仍然不够,他们的终极目标是要实现完全自主生产,所谓自主生产并不是指完全不需要人类,而是由人来告诉需要生产什么,随后由工厂里的机器人自行组合成生产线进行生产。

按照大众的构想,实现这种自主生产至少有两大关键:一是可以自行移动的生产机器人。二是一套基于大数据和AI处理技术的中枢神经系统。在大众的SPL智能生产实验室,第一财经记者看到了这两个技术的雏形。自行移动机器人就是一个小车加上了两个机械臂,其通过激光雷达、3D深度摄像头来实现定位与导航功能,进而让它在工厂里自行移动。

后者是一套能够追踪所有生产数据的超级系统,它能够分析出生产每一种车型需要哪种机器人与哪种部件,进而根据生产任务自行调配机器人和零部件,更重要的是,通过人工智能等技术的引入,其在组织生产环节的过程中还能自主学习,从而在下一次生产中不断优化生产流程,进一步提升生产效率。

“大众集团一向在硬件生产方面非常强大,而在工业4.0的进程中,软件的地位将越来越高。”为了实现将构想变成可能,苹果前高管、大众CDO约翰·琼沃思(Johann Jungwirth)告诉第一财经记者,大众在全球有超过4000名IT与科技领域的工程师在为数字化转型服务。

此外,大众在狼堡总部设立了名为IT City的技术中心,招募了大量IT与科技领域的人才,并且成立了SPL智能生产实验室、KTI技术与能力创新中心、LEAN中心等细分的技术研发中心。与此同时,大众还将在德国、美国和中国设立三个未来中心,在美国、西班牙、中国等6个国家设立有IT相关的技术研发中心。大众集团旗下的员工培训机构大众学院,也将投入重金为这场数字化转型推出了全员培训方案。

大众汽车集团学院负责人拉尔夫·林德(Ralph Linde)对第一财经记者介绍,大众会有计划地对所有员工进行数字化培训,向他们普及AR/VR、网络、自动化、大数据、人工智能等基础知识。

而转型的过程中,无法回避的是有大量传统工作人员面临失去工作岗位的风险,大众学院也在对他们进行技术培训,以帮助其转到其他数字化工作岗位上。而对于那些无法适应未来数字化工作的人,则采取提前退休等措施来解决。

另外,大众学院每年都会招募1000多名学徒,在2010年,有50%的学徒进行的是机械与金属加工方面的培训,而到了2019年,预计有74%的员工要进行IT等数字化方面的培训。拉尔夫·林德表示,数字化转型不仅仅涉及技术问题,其还会涉及企业文化等方面,大众学院要做的,就是让大众的员工在技术上、心理上做好这两方面的准备。

在汽车组装生产线上,一名工人和一个机器人同坐在车身里就可以完成组装需要的各类操作。生产系统由一些具有社会性的机器运作,与“云端”平台自动连接,寻找能够解决不同问题的专家。专家则掌握着全套维修技术及虚拟工具。机器人自动整合所有信息以不断完善自己的性能。上述场景是罗兰贝格2016年报告里描述的类似硬科幻的未来汽车业生产场景,现在其中的部分已在大众的工厂实现。







罗兰贝格合伙人舒畅对第一财经记者表示,工业4.0的这场变革未来可以提高车企的生产效率,还能为车企带来更多利润空间,比如,基于数字化的数据可以挖掘汽车全价值链,更精准地触及用户,更好的做售后服务、金融业务等。“大众集团在这方面可以说率先推进了,当然在下一步发展中究竟哪些车企占得先机还要拭目以待。” 查看全部
一个小机器人“哼”着清脆的轻音乐从现场的工人边上“轻巧”地擦身而过,顺利地把几样汽车配件运送到了下一个工位。这并非著名科幻小说家艾萨克·阿西莫夫(Isaac Asimov)描绘的未来场景,而是2017年12月第一财经记者实地探访斯洛伐克首都布拉迪斯拉发的大众工厂车间时所见到的基于工业4.0的现实生产方式,在这里,从大众途锐、奥迪A8直到保时捷卡宴的生产,都有机器人的身影参与其间。

大众的工业4.0尝试

2017年《财富》世界500强排行榜中大众汽车排名第6位。目前大众集团旗下有大众、奥迪、保时捷、兰博基尼、宾利、曼等 12 个品牌,在全球共有120 家工厂、拥有员工超过 62 万人,汽车年产量超过1000万辆。虽然此前经历了“柴油门”风波,但大众集团2016年不计特殊项目支出,集团盈利达到了146亿欧元,创历史纪录。大众仍不失为一艘全球汽车业的“航母”。

[德国工业4.0的大众样本:3万台机器人,50秒造一辆车]

然而,面对汽车业激烈的竞争,尤其是来自于数字化、自动驾驶和电动汽车领域的严峻挑战,这艘“航母”也正在谋求主动变革。根据大众方面给第一财经记者最新提供的规划:到 2025 年,大众汽车集团所有的生产基地,包括在中国的生产工厂,都将实现数字化规划和网络无缝切换,从而保证自我控制、自我优化和可持续的生产。

“从技术层面讲,数字化涉及众多技术,如认知性计算和学习,人工智能、新技能和技术的掌握,以及机器自我优化和自我学习的相关过程。”大众汽车集团管理董事会成员、大众中国总裁兼CEO海兹曼在狼堡总部接受第一财经记者专访时说,数字化是一个总体的概念,深入一点,即是整个生产过程的数字化,以及“工业 4.0”相关的元素。

在海兹曼看来,“工业 4.0”是一个非常整合的概念。在这个概念下,包括了数字化、机器人和人工智能等,而这些正在融入大众汽车集团日常业务运营的方方面面。

而生产流程中的 4.0 从属于“工业 4.0”这个整体概念,“工业 4.0”的概念里面包括生产 4.0。生产 4.0 从研发开始,贯穿到设计以及生产的每一个环节,这里面包括数字化管理手段、数字化技术以及自动化流程的应用。

海兹曼指出,生产 4.0 也罢,还是工业 4.0 也好,都是一个贯穿整个企业运营以及产品生产过程中的数字化过程:比如 VR(Virtual Reality,虚拟现实)技术、智能设备、可穿戴设备的一些应用,以及一些 3D 打印技术的应用。除此之外,还有一些特殊的应用领域:比如在物流方面的自动运输,以及加入了人工智能的物流流程管理,生产设备的保养,整个生产流程的最大化等等。

海兹曼强调,所谓的工业 4.0 或者生产 4.0 概念,并不只局限在生产灵活性这一个环节,在产品研发、生产环节、物流环节、销售和售后服务,以及客户体验方面的改善、优化和提升等方面,都跟工业 4.0紧密相关。“有些技术要分步走,不可能一蹴而就地一夜之间实现,需要时间。”海兹曼还透露,相关技术在大众最重要的国际市场中国的部署会有明确的规划,将按计划推进。

3万台工业机器人

大众集团总部所在地狼堡的大众车间装配线一角,一位一线德国女工和她的工友们正在安装仪表盘等汽车内部组件的流水线上忙碌,和她一起协同忙碌的还有她身边一只巨大的机器人手,机器人手熟门熟路地伸进车窗,短短几分钟里就行云流水般地将仪表盘安装妥当。在这里,有了机器人的辅助,工人完全可以停下来听会音乐,放松自己,甚至能和第一财经记者攀谈一会。

与以往机器和人分处彼此割裂的空间不同,智能机器人实现人类和机器直接同步合作将不再是奢望,背后是因为机器人可以对人的每一个手势都做出反应。大众汽车集团总部 IT 部门智能生产实验室正在为未来的汽车生产制定解决方案。其中一个项目就是智能机器人。人类和机器将首次可以真正携手合作。而之所以能实现这一点,是因为机器人拥有了识别和考量人类想法的能力。

目前,集团IT 部门智能生产实验室主任沃尔夫冈·哈肯贝格博士(Dr.Wolfgang Hackenberg)正带领他的团队与著名的人工智能研究中心——德国人工智能研究中心 (DFKI)的专家们共同研发这一技术。

哈肯贝格博士对第一财经记者解释,在此之前,人类和机器人的工作步骤或者工作空间必须是分开相互独立的,这并不是真正意义上的合作。而在智能生产实验室中,情况则完全不同。“我们通过软件将机器人和传感器整合,使人类和机器人能够避开危险,在同一个空间工作,甚至互相协作。如此,我们首次实现了人类与机器直接同步合作。”

另外,运用人体工程学原理,提高人类的体能效率这一此前的世界级难题也有望被攻克。对于工业机器人来说,这意味着巨大的节能潜力。大众汽车集团数字工厂工作组(Digital Factory Working Group)成员之一、能源效率团队负责人迪特尔·格克勒(Dieter Geckler)博士对第一财经记者说:“通常为了节省体能,举重运动员通过换脚的方式在开始举重前找到理想的平衡点。像举重运动员一样,机器人如果处于正确的位置,也能够节省大量的能源。”

格克勒博士和他的团队偶然发现,机器人在错误的位置执行错误的动作会浪费能源。他们自发地在弗劳恩霍夫研究所开姆尼茨基地的机器人上对他们的理论进行测试——他们这一独特的想法得到了证实。基于这些发现,Geckler博士和他的团队与Ostfalia应用科学大学合作开发了一种软件,用于计算机器人最节能的位置。该软件目前处于测试和优化阶段,只需点击几下,即可计算机器人所有节能操作的位置。

格克勒博士表示,与人体工程学相似,位置优化软件使机器人能平均节省10%到15%的能源,同时减少机器人维护次数,从而延长使用寿命。目前,在大众集团 120个工厂中约有3万台工业机器人,这将节省大量的能源。

但这款易于使用的软件还不是最终产品,位置优化只是第一步,团队目前正在研究机器人路径优化,以节省更多能源。该步骤将计算机器人最节能的动作。第三步也是最后一步,软件将能够优化机器人的加速度和速度。这个优化软件使机器人的位置,路径和速度最优化,将节省高达30%的能源,预计将于2018年开始投入使用。

秒速造车

在大众的斯洛伐克工厂,目前生产(总装)3辆车仅需要2.5分钟,也就是说每辆车的生产时间为0.83分钟,约合50秒。生产汽车以秒计,真正地进入秒速造车阶段。但是在大众方面看来,这一效率仍然不够,他们的终极目标是要实现完全自主生产,所谓自主生产并不是指完全不需要人类,而是由人来告诉需要生产什么,随后由工厂里的机器人自行组合成生产线进行生产。

按照大众的构想,实现这种自主生产至少有两大关键:一是可以自行移动的生产机器人。二是一套基于大数据和AI处理技术的中枢神经系统。在大众的SPL智能生产实验室,第一财经记者看到了这两个技术的雏形。自行移动机器人就是一个小车加上了两个机械臂,其通过激光雷达、3D深度摄像头来实现定位与导航功能,进而让它在工厂里自行移动。

后者是一套能够追踪所有生产数据的超级系统,它能够分析出生产每一种车型需要哪种机器人与哪种部件,进而根据生产任务自行调配机器人和零部件,更重要的是,通过人工智能等技术的引入,其在组织生产环节的过程中还能自主学习,从而在下一次生产中不断优化生产流程,进一步提升生产效率。

“大众集团一向在硬件生产方面非常强大,而在工业4.0的进程中,软件的地位将越来越高。”为了实现将构想变成可能,苹果前高管、大众CDO约翰·琼沃思(Johann Jungwirth)告诉第一财经记者,大众在全球有超过4000名IT与科技领域的工程师在为数字化转型服务。

此外,大众在狼堡总部设立了名为IT City的技术中心,招募了大量IT与科技领域的人才,并且成立了SPL智能生产实验室、KTI技术与能力创新中心、LEAN中心等细分的技术研发中心。与此同时,大众还将在德国、美国和中国设立三个未来中心,在美国、西班牙、中国等6个国家设立有IT相关的技术研发中心。大众集团旗下的员工培训机构大众学院,也将投入重金为这场数字化转型推出了全员培训方案。

大众汽车集团学院负责人拉尔夫·林德(Ralph Linde)对第一财经记者介绍,大众会有计划地对所有员工进行数字化培训,向他们普及AR/VR、网络、自动化、大数据、人工智能等基础知识。

而转型的过程中,无法回避的是有大量传统工作人员面临失去工作岗位的风险,大众学院也在对他们进行技术培训,以帮助其转到其他数字化工作岗位上。而对于那些无法适应未来数字化工作的人,则采取提前退休等措施来解决。

另外,大众学院每年都会招募1000多名学徒,在2010年,有50%的学徒进行的是机械与金属加工方面的培训,而到了2019年,预计有74%的员工要进行IT等数字化方面的培训。拉尔夫·林德表示,数字化转型不仅仅涉及技术问题,其还会涉及企业文化等方面,大众学院要做的,就是让大众的员工在技术上、心理上做好这两方面的准备。

在汽车组装生产线上,一名工人和一个机器人同坐在车身里就可以完成组装需要的各类操作。生产系统由一些具有社会性的机器运作,与“云端”平台自动连接,寻找能够解决不同问题的专家。专家则掌握着全套维修技术及虚拟工具。机器人自动整合所有信息以不断完善自己的性能。上述场景是罗兰贝格2016年报告里描述的类似硬科幻的未来汽车业生产场景,现在其中的部分已在大众的工厂实现。


微信截图_20171219165150.png


罗兰贝格合伙人舒畅对第一财经记者表示,工业4.0的这场变革未来可以提高车企的生产效率,还能为车企带来更多利润空间,比如,基于数字化的数据可以挖掘汽车全价值链,更精准地触及用户,更好的做售后服务、金融业务等。“大众集团在这方面可以说率先推进了,当然在下一步发展中究竟哪些车企占得先机还要拭目以待。”
429 浏览

伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果

智能科技类 陈宽#14530 2017-12-18 11:11 发表了文章 来自相关话题

几日前,美国加州大学伯克利分校(简称UC Berkeley)AI实验室推出了一款名叫Vestri的机器人。虽然它没有波士顿动力Atlas那样能后空翻的本事,也没有俄罗斯机器人Fedor射击、开车的酷炫本领,但却凭借“预见未来”的超凡能力赢得了大家的关注。

所谓的“预见未来”并不像极具玄幻色彩的水晶球、塔罗牌那样,Vestri只是一个好学的“孩子”,它通过用各种能想到的方式“把玩”面前的物品,并通过摄像头采集视频信息,Vestri会记下每次移动物体时的路线。当Vestri面对了一个新的物品,不用再动手玩耍,Vestri也会知道采取哪种方式移动,物体的位置将发生哪种变化。

也许你会有点失望,Vestri并不是你想象中的人类先知那样能预见世事,但对于目前的机器人来说,这确实算是一项超凡的能力了。Vestri拥有如此超凡能力的原因,来源于伯克利AI实验室研发的一项深度学习新技术——视觉预见。这是一项什么样的技术?是谁研发了它?这项技术对机器人行业将有怎样的影响呢?

“可预见未来”机器人Vestri


据伯克利AI实验室公布的视频可以看到,Vestri拥有一条红色的机械手臂和一台显示面部表情的显示器组成。手臂的终端有两半抓取钳组成。从外观上看,Vestri并不像人形机器人那么讨喜,也没有工业机器人庞大的身躯。

但这并不阻碍Vestri成为聪明的机器人,从视频上我们可以看到,Vestri像人类婴儿一样,摆弄着眼前的玩具。这样一个机器人到底有什么稀奇的呢?

1、Vestri两大特点

区别于以往机器人,Vestri具有完全自学执行任务和可预测行动结果两大特点。

(1)完全自学执行任务

许多常见的机器人只会按照给定的程序处理物体,没有“自己的想法”,和机器无异。但Vestri看到眼前的物体后,会生成自己的判断和想法,并据此不断探索如何去“把玩”,整个过程完全不需要人类的监督,可以说是“自学成才”了。

Vestri的研发者之一,加州伯克利大学分校的助理教授Sergey Levine说“虽然这种机器人的能力还很有限,但它完全是自动学习技能的,Vestri根据已记录的交互模式(这些交互模式来自它之前自主学习的过程)来预测与未见过的新物体进行复杂物理交互时,选择不同的方式分别会产生哪种结果。”

(2)可预测行动结果

常见的机器人都是按照事先预设好的指令代码进行执行,它们只理会“做”或者“不做”动作,并不会考虑这些动作是否会带来不好的结果。

Vestri可以在执行特定动作之前,就预测到这种动作将会产生怎样的结果。当然它能实现这种“特异功能”,得益于它在之前“摆弄”物体时,通过自带摄像头收集到了大量的数据。这些图像数据信息就存储在Vestri的系统内,预测图像的像素将如何从一帧移动到下一帧。

2、Vestri背后的新技术

Vestri机器人本身并无特别之处,而它两大特点,其实都基于一项最新的技术——“视觉预见”(visual foresight)。

该项技术由伯克利AI实验室研发,其技术核心是基于卷积循环视频预测(convolutional recurrent video prediction)或动态神经平流(简称DNA)(dynamic neural advection)的深度学习技术。

“视觉预见”背后的两位研究者

这项即将改变人工智能世界的学习技术,背后有研究员们辛勤的努力。目前Vestri运用的只是这项技术的早期的原型,只是教会机器人如何自主学习一些独立的手工技能。虽然目前的技术只能使机器人预测几秒钟时间,但足以让他们计算如何躲避障碍,成功地移动桌子上的物体。

视觉预见技术来自加州伯克利大学AI实验室,而这项技术与以下两位息息相关。

1、Sergey Levine



Sergey Levine是UC Berkeley电气工程和计算机科学系的助理教授。目前他主要在两大研究中心活动:伯克利AI实验室(简称BAIR)和加州大学社会利益信息技术研究中心人与机器人部门(简称CPAR)。

2009年Sergey Levine同时获得斯坦福大学计算机科学学士和硕士学位,并于2014年获得斯坦福大学计算机科学博士学位。2016年秋季他加入UC Berkeley电气工程与计算机科学系,主要研究用于决策和控制的机器学习技术,重点研究深入学习和强化学习算法。工作的应用包括自动机器人和车辆,以及计算机视觉和图形。

他的研究包括开发结合感知和控制的深度神经网络策略中的端到端训练算法、逆向强化学习可伸缩算法、深度强化学习算法等。2016年他与Chelsea合作发表了“视觉预见”技术论文。此外,他还入选2016年MIT35岁以下科技创新者评选前35名。

2、Chelsea Finn








Chelsea Finn是Levine实验室的一名博士研究生,她发明了最初的DNA模型。

2014年Chelsea Finn毕业于麻省理工大学电气工程与计算机科学学院,2014年进入UC Berkeley攻读PHD(学术研究型博士),主要研究机器人感知与控制。在进入BAIR之前,Chelsea Finn还曾在Consyl、Google和Sandia国家实验室工作过。


2016年Chelsea Finn以第一作者的身份发表论文《面向机器人运动规划的深度视觉预见》,该论文在2017年3月更新了第二版。

伯克利AI实验室

UC Berkeley成立于1868年,全美排名21,该校有130个专业排名前10,其中土木工程、环境工程、生态学、化学、计算机相关专业均位列全美第一。 此外,该校有许多知名校友如戈登·摩尔、朱棣文、丘成桐等。国际知名的科学奖项如诺贝尔奖、菲尔兹奖、图灵奖等也让伯克利的校友们拿到手软。UC Berkeley成立了70多个研究中心和实验室,伯克利AI实验室(简称BAIR)就是其中之一。

伯克利AI实验室有目前有24名教师和100多名研究生,主要研究领域有计算机视觉、机器学习、自然语言处理和机器人。

2016年,实验室博客BAIR开博,BAIR 博文的作者们包括在校学生、博士后及教职员工。博客内容不仅面向专业人员,还面向普通读者们,并为他们及时提供实验室的研究动态。

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果] 伯克利AI实验室的研究成果也是层出不穷,之前其实验室负责人Pieter Abbeel就曾与OpenAI的同事合作建立了初创公司“Embodied Intelligence”,开发出一款用AR训练机器人的软件。

本月2号,其实验室还发布了最新的研究论文《基于模型的无模型精调深度强化学习的神经网络动力学》,可以使机器人17分钟就学会轨迹跟踪。

就在12号BAIR博客上又更新了一条消息,他们研发了用于机械系统控制( MSC)的机器人安全交互系统,该系统将保障人类在人机协作过程中的安全。

结语:视觉预见技术两大应用前景

“视觉预见”技术,运用的是机器人自己收集到的视频信息,这就使得这项技术具有了普遍适用的基础。

与传统计算机视觉需要人类标注成千上百万的图像不同,构建视频预测模型只需要机器人自己采集到的视频而无需标注。事实上,视频预测模型也已经被应用于从人类活动到驾驶的各种数据集,并且取得了令人信服的结果。







Vestri集成的这项技术可以被用于自动驾驶系统,目前,自动驾驶是十分热门的领域,各大公司都在争相研发无人驾驶车辆。使车辆在路上跑起来并不是大问题,最重要的问题是车辆如何躲避障碍以及突然出现的障碍物。视觉预见技术将能够通过预测突发障碍物的行动轨迹,为自动驾驶汽车规划最佳的躲避路线,从而保障了驾驶的安全。

除了用于自动驾驶,视觉预见技术还能用于研发更加智能的家庭机器人助理。尤其对有老人和小孩的家庭来说,集成视觉预见技术的机器人将可预测摔倒等危险情况的发生,并及时采取措施防患于未然。

不过,目前这一技术还不够完善,它只能预测未来几秒内的动作,并且这些预测的依据也是机器人在之前自主学习过程中收集过的视频信息。伯克利AI实验室的研究员们说将继续开发更复杂的方法,使机器人可收集更集中的视频数据,完成复杂的任务。 查看全部
几日前,美国加州大学伯克利分校(简称UC Berkeley)AI实验室推出了一款名叫Vestri的机器人。虽然它没有波士顿动力Atlas那样能后空翻的本事,也没有俄罗斯机器人Fedor射击、开车的酷炫本领,但却凭借“预见未来”的超凡能力赢得了大家的关注。

所谓的“预见未来”并不像极具玄幻色彩的水晶球、塔罗牌那样,Vestri只是一个好学的“孩子”,它通过用各种能想到的方式“把玩”面前的物品,并通过摄像头采集视频信息,Vestri会记下每次移动物体时的路线。当Vestri面对了一个新的物品,不用再动手玩耍,Vestri也会知道采取哪种方式移动,物体的位置将发生哪种变化。

也许你会有点失望,Vestri并不是你想象中的人类先知那样能预见世事,但对于目前的机器人来说,这确实算是一项超凡的能力了。Vestri拥有如此超凡能力的原因,来源于伯克利AI实验室研发的一项深度学习新技术——视觉预见。这是一项什么样的技术?是谁研发了它?这项技术对机器人行业将有怎样的影响呢?

“可预见未来”机器人Vestri


据伯克利AI实验室公布的视频可以看到,Vestri拥有一条红色的机械手臂和一台显示面部表情的显示器组成。手臂的终端有两半抓取钳组成。从外观上看,Vestri并不像人形机器人那么讨喜,也没有工业机器人庞大的身躯。

但这并不阻碍Vestri成为聪明的机器人,从视频上我们可以看到,Vestri像人类婴儿一样,摆弄着眼前的玩具。这样一个机器人到底有什么稀奇的呢?

1、Vestri两大特点

区别于以往机器人,Vestri具有完全自学执行任务和可预测行动结果两大特点。

(1)完全自学执行任务

许多常见的机器人只会按照给定的程序处理物体,没有“自己的想法”,和机器无异。但Vestri看到眼前的物体后,会生成自己的判断和想法,并据此不断探索如何去“把玩”,整个过程完全不需要人类的监督,可以说是“自学成才”了。

Vestri的研发者之一,加州伯克利大学分校的助理教授Sergey Levine说“虽然这种机器人的能力还很有限,但它完全是自动学习技能的,Vestri根据已记录的交互模式(这些交互模式来自它之前自主学习的过程)来预测与未见过的新物体进行复杂物理交互时,选择不同的方式分别会产生哪种结果。”

(2)可预测行动结果

常见的机器人都是按照事先预设好的指令代码进行执行,它们只理会“做”或者“不做”动作,并不会考虑这些动作是否会带来不好的结果。

Vestri可以在执行特定动作之前,就预测到这种动作将会产生怎样的结果。当然它能实现这种“特异功能”,得益于它在之前“摆弄”物体时,通过自带摄像头收集到了大量的数据。这些图像数据信息就存储在Vestri的系统内,预测图像的像素将如何从一帧移动到下一帧。

2、Vestri背后的新技术

Vestri机器人本身并无特别之处,而它两大特点,其实都基于一项最新的技术——“视觉预见”(visual foresight)。

该项技术由伯克利AI实验室研发,其技术核心是基于卷积循环视频预测(convolutional recurrent video prediction)或动态神经平流(简称DNA)(dynamic neural advection)的深度学习技术。

“视觉预见”背后的两位研究者

这项即将改变人工智能世界的学习技术,背后有研究员们辛勤的努力。目前Vestri运用的只是这项技术的早期的原型,只是教会机器人如何自主学习一些独立的手工技能。虽然目前的技术只能使机器人预测几秒钟时间,但足以让他们计算如何躲避障碍,成功地移动桌子上的物体。

视觉预见技术来自加州伯克利大学AI实验室,而这项技术与以下两位息息相关。

1、Sergey Levine



Sergey Levine是UC Berkeley电气工程和计算机科学系的助理教授。目前他主要在两大研究中心活动:伯克利AI实验室(简称BAIR)和加州大学社会利益信息技术研究中心人与机器人部门(简称CPAR)。

2009年Sergey Levine同时获得斯坦福大学计算机科学学士和硕士学位,并于2014年获得斯坦福大学计算机科学博士学位。2016年秋季他加入UC Berkeley电气工程与计算机科学系,主要研究用于决策和控制的机器学习技术,重点研究深入学习和强化学习算法。工作的应用包括自动机器人和车辆,以及计算机视觉和图形。

他的研究包括开发结合感知和控制的深度神经网络策略中的端到端训练算法、逆向强化学习可伸缩算法、深度强化学习算法等。2016年他与Chelsea合作发表了“视觉预见”技术论文。此外,他还入选2016年MIT35岁以下科技创新者评选前35名。

2、Chelsea Finn


微信截图_20171218111025.png



Chelsea Finn是Levine实验室的一名博士研究生,她发明了最初的DNA模型。

2014年Chelsea Finn毕业于麻省理工大学电气工程与计算机科学学院,2014年进入UC Berkeley攻读PHD(学术研究型博士),主要研究机器人感知与控制。在进入BAIR之前,Chelsea Finn还曾在Consyl、Google和Sandia国家实验室工作过。


2016年Chelsea Finn以第一作者的身份发表论文《面向机器人运动规划的深度视觉预见》,该论文在2017年3月更新了第二版。

伯克利AI实验室

UC Berkeley成立于1868年,全美排名21,该校有130个专业排名前10,其中土木工程、环境工程、生态学、化学、计算机相关专业均位列全美第一。 此外,该校有许多知名校友如戈登·摩尔、朱棣文、丘成桐等。国际知名的科学奖项如诺贝尔奖、菲尔兹奖、图灵奖等也让伯克利的校友们拿到手软。UC Berkeley成立了70多个研究中心和实验室,伯克利AI实验室(简称BAIR)就是其中之一。

伯克利AI实验室有目前有24名教师和100多名研究生,主要研究领域有计算机视觉、机器学习、自然语言处理和机器人。

2016年,实验室博客BAIR开博,BAIR 博文的作者们包括在校学生、博士后及教职员工。博客内容不仅面向专业人员,还面向普通读者们,并为他们及时提供实验室的研究动态。

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果] 伯克利AI实验室的研究成果也是层出不穷,之前其实验室负责人Pieter Abbeel就曾与OpenAI的同事合作建立了初创公司“Embodied Intelligence”,开发出一款用AR训练机器人的软件。

本月2号,其实验室还发布了最新的研究论文《基于模型的无模型精调深度强化学习的神经网络动力学》,可以使机器人17分钟就学会轨迹跟踪。

就在12号BAIR博客上又更新了一条消息,他们研发了用于机械系统控制( MSC)的机器人安全交互系统,该系统将保障人类在人机协作过程中的安全。

结语:视觉预见技术两大应用前景

“视觉预见”技术,运用的是机器人自己收集到的视频信息,这就使得这项技术具有了普遍适用的基础。

与传统计算机视觉需要人类标注成千上百万的图像不同,构建视频预测模型只需要机器人自己采集到的视频而无需标注。事实上,视频预测模型也已经被应用于从人类活动到驾驶的各种数据集,并且取得了令人信服的结果。


微信截图_20171218111018.png


Vestri集成的这项技术可以被用于自动驾驶系统,目前,自动驾驶是十分热门的领域,各大公司都在争相研发无人驾驶车辆。使车辆在路上跑起来并不是大问题,最重要的问题是车辆如何躲避障碍以及突然出现的障碍物。视觉预见技术将能够通过预测突发障碍物的行动轨迹,为自动驾驶汽车规划最佳的躲避路线,从而保障了驾驶的安全。

除了用于自动驾驶,视觉预见技术还能用于研发更加智能的家庭机器人助理。尤其对有老人和小孩的家庭来说,集成视觉预见技术的机器人将可预测摔倒等危险情况的发生,并及时采取措施防患于未然。

不过,目前这一技术还不够完善,它只能预测未来几秒内的动作,并且这些预测的依据也是机器人在之前自主学习过程中收集过的视频信息。伯克利AI实验室的研究员们说将继续开发更复杂的方法,使机器人可收集更集中的视频数据,完成复杂的任务。
419 浏览

伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果

智能科技类 陈宽#14530 2017-12-15 13:39 发表了文章 来自相关话题

几日前,美国加州大学伯克利分校(简称UC Berkeley)AI实验室推出了一款名叫Vestri的机器人。虽然它没有波士顿动力Atlas那样能后空翻的本事,也没有俄罗斯机器人Fedor射击、开车的酷炫本领,但却凭借“预见未来”的超凡能力赢得了大家的关注。

所谓的“预见未来”并不像极具玄幻色彩的水晶球、塔罗牌那样,Vestri只是一个好学的“孩子”,它通过用各种能想到的方式“把玩”面前的物品,并通过摄像头采集视频信息,Vestri会记下每次移动物体时的路线。当Vestri面对了一个新的物品,不用再动手玩耍,Vestri也会知道采取哪种方式移动,物体的位置将发生哪种变化。

也许你会有点失望,Vestri并不是你想象中的人类先知那样能预见世事,但对于目前的机器人来说,这确实算是一项超凡的能力了。Vestri拥有如此超凡能力的原因,来源于伯克利AI实验室研发的一项深度学习新技术——视觉预见。这是一项什么样的技术?是谁研发了它?这项技术对机器人行业将有怎样的影响呢?

“可预见未来”机器人Vestri


据伯克利AI实验室公布的视频可以看到,Vestri拥有一条红色的机械手臂和一台显示面部表情的显示器组成。手臂的终端有两半抓取钳组成。从外观上看,Vestri并不像人形机器人那么讨喜,也没有工业机器人庞大的身躯。

但这并不阻碍Vestri成为聪明的机器人,从视频上我们可以看到,Vestri像人类婴儿一样,摆弄着眼前的玩具。这样一个机器人到底有什么稀奇的呢?

1、Vestri两大特点

区别于以往机器人,Vestri具有完全自学执行任务和可预测行动结果两大特点。

(1)完全自学执行任务

许多常见的机器人只会按照给定的程序处理物体,没有“自己的想法”,和机器无异。但Vestri看到眼前的物体后,会生成自己的判断和想法,并据此不断探索如何去“把玩”,整个过程完全不需要人类的监督,可以说是“自学成才”了。

Vestri的研发者之一,加州伯克利大学分校的助理教授Sergey Levine说“虽然这种机器人的能力还很有限,但它完全是自动学习技能的,Vestri根据已记录的交互模式(这些交互模式来自它之前自主学习的过程)来预测与未见过的新物体进行复杂物理交互时,选择不同的方式分别会产生哪种结果。”

(2)可预测行动结果

常见的机器人都是按照事先预设好的指令代码进行执行,它们只理会“做”或者“不做”动作,并不会考虑这些动作是否会带来不好的结果。

Vestri可以在执行特定动作之前,就预测到这种动作将会产生怎样的结果。当然它能实现这种“特异功能”,得益于它在之前“摆弄”物体时,通过自带摄像头收集到了大量的数据。这些图像数据信息就存储在Vestri的系统内,预测图像的像素将如何从一帧移动到下一帧。

2、Vestri背后的新技术

Vestri机器人本身并无特别之处,而它两大特点,其实都基于一项最新的技术——“视觉预见”(visual foresight)。

该项技术由伯克利AI实验室研发,其技术核心是基于卷积循环视频预测(convolutional recurrent video prediction)或动态神经平流(简称DNA)(dynamic neural advection)的深度学习技术。

“视觉预见”背后的两位研究者

这项即将改变人工智能世界的学习技术,背后有研究员们辛勤的努力。目前Vestri运用的只是这项技术的早期的原型,只是教会机器人如何自主学习一些独立的手工技能。虽然目前的技术只能使机器人预测几秒钟时间,但足以让他们计算如何躲避障碍,成功地移动桌子上的物体。

视觉预见技术来自加州伯克利大学AI实验室,而这项技术与以下两位息息相关。

1、Sergey Levine

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果]

Sergey Levine是UC Berkeley电气工程和计算机科学系的助理教授。目前他主要在两大研究中心活动:伯克利AI实验室(简称BAIR)和加州大学社会利益信息技术研究中心人与机器人部门(简称CPAR)。

2009年Sergey Levine同时获得斯坦福大学计算机科学学士和硕士学位,并于2014年获得斯坦福大学计算机科学博士学位。2016年秋季他加入UC Berkeley电气工程与计算机科学系,主要研究用于决策和控制的机器学习技术,重点研究深入学习和强化学习算法。工作的应用包括自动机器人和车辆,以及计算机视觉和图形。

他的研究包括开发结合感知和控制的深度神经网络策略中的端到端训练算法、逆向强化学习可伸缩算法、深度强化学习算法等。2016年他与Chelsea合作发表了“视觉预见”技术论文。此外,他还入选2016年MIT35岁以下科技创新者评选前35名。

2、Chelsea Finn

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果]

Chelsea Finn是Levine实验室的一名博士研究生,她发明了最初的DNA模型。

2014年Chelsea Finn毕业于麻省理工大学电气工程与计算机科学学院,2014年进入UC Berkeley攻读PHD(学术研究型博士),主要研究机器人感知与控制。在进入BAIR之前,Chelsea Finn还曾在Consyl、Google和Sandia国家实验室工作过。

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果]

2016年Chelsea Finn以第一作者的身份发表论文《面向机器人运动规划的深度视觉预见》,该论文在2017年3月更新了第二版。

伯克利AI实验室

UC Berkeley成立于1868年,全美排名21,该校有130个专业排名前10,其中土木工程、环境工程、生态学、化学、计算机相关专业均位列全美第一。 此外,该校有许多知名校友如戈登·摩尔、朱棣文、丘成桐等。国际知名的科学奖项如诺贝尔奖、菲尔兹奖、图灵奖等也让伯克利的校友们拿到手软。UC Berkeley成立了70多个研究中心和实验室,伯克利AI实验室(简称BAIR)就是其中之一。

伯克利AI实验室有目前有24名教师和100多名研究生,主要研究领域有计算机视觉、机器学习、自然语言处理和机器人。

2016年,实验室博客BAIR开博,BAIR 博文的作者们包括在校学生、博士后及教职员工。博客内容不仅面向专业人员,还面向普通读者们,并为他们及时提供实验室的研究动态。

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果] 伯克利AI实验室的研究成果也是层出不穷,之前其实验室负责人Pieter Abbeel就曾与OpenAI的同事合作建立了初创公司“Embodied Intelligence”,开发出一款用AR训练机器人的软件。







本月2号,其实验室还发布了最新的研究论文《基于模型的无模型精调深度强化学习的神经网络动力学》,可以使机器人17分钟就学会轨迹跟踪。

就在12号BAIR博客上又更新了一条消息,他们研发了用于机械系统控制( MSC)的机器人安全交互系统,该系统将保障人类在人机协作过程中的安全。

结语:视觉预见技术两大应用前景

“视觉预见”技术,运用的是机器人自己收集到的视频信息,这就使得这项技术具有了普遍适用的基础。

与传统计算机视觉需要人类标注成千上百万的图像不同,构建视频预测模型只需要机器人自己采集到的视频而无需标注。事实上,视频预测模型也已经被应用于从人类活动到驾驶的各种数据集,并且取得了令人信服的结果。

Vestri集成的这项技术可以被用于自动驾驶系统,目前,自动驾驶是十分热门的领域,各大公司都在争相研发无人驾驶车辆。使车辆在路上跑起来并不是大问题,最重要的问题是车辆如何躲避障碍以及突然出现的障碍物。视觉预见技术将能够通过预测突发障碍物的行动轨迹,为自动驾驶汽车规划最佳的躲避路线,从而保障了驾驶的安全。

除了用于自动驾驶,视觉预见技术还能用于研发更加智能的家庭机器人助理。尤其对有老人和小孩的家庭来说,集成视觉预见技术的机器人将可预测摔倒等危险情况的发生,并及时采取措施防患于未然。







不过,目前这一技术还不够完善,它只能预测未来几秒内的动作,并且这些预测的依据也是机器人在之前自主学习过程中收集过的视频信息。伯克利AI实验室的研究员们说将继续开发更复杂的方法,使机器人可收集更集中的视频数据,完成复杂的任务。 查看全部
几日前,美国加州大学伯克利分校(简称UC Berkeley)AI实验室推出了一款名叫Vestri的机器人。虽然它没有波士顿动力Atlas那样能后空翻的本事,也没有俄罗斯机器人Fedor射击、开车的酷炫本领,但却凭借“预见未来”的超凡能力赢得了大家的关注。

所谓的“预见未来”并不像极具玄幻色彩的水晶球、塔罗牌那样,Vestri只是一个好学的“孩子”,它通过用各种能想到的方式“把玩”面前的物品,并通过摄像头采集视频信息,Vestri会记下每次移动物体时的路线。当Vestri面对了一个新的物品,不用再动手玩耍,Vestri也会知道采取哪种方式移动,物体的位置将发生哪种变化。

也许你会有点失望,Vestri并不是你想象中的人类先知那样能预见世事,但对于目前的机器人来说,这确实算是一项超凡的能力了。Vestri拥有如此超凡能力的原因,来源于伯克利AI实验室研发的一项深度学习新技术——视觉预见。这是一项什么样的技术?是谁研发了它?这项技术对机器人行业将有怎样的影响呢?

“可预见未来”机器人Vestri


据伯克利AI实验室公布的视频可以看到,Vestri拥有一条红色的机械手臂和一台显示面部表情的显示器组成。手臂的终端有两半抓取钳组成。从外观上看,Vestri并不像人形机器人那么讨喜,也没有工业机器人庞大的身躯。

但这并不阻碍Vestri成为聪明的机器人,从视频上我们可以看到,Vestri像人类婴儿一样,摆弄着眼前的玩具。这样一个机器人到底有什么稀奇的呢?

1、Vestri两大特点

区别于以往机器人,Vestri具有完全自学执行任务和可预测行动结果两大特点。

(1)完全自学执行任务

许多常见的机器人只会按照给定的程序处理物体,没有“自己的想法”,和机器无异。但Vestri看到眼前的物体后,会生成自己的判断和想法,并据此不断探索如何去“把玩”,整个过程完全不需要人类的监督,可以说是“自学成才”了。

Vestri的研发者之一,加州伯克利大学分校的助理教授Sergey Levine说“虽然这种机器人的能力还很有限,但它完全是自动学习技能的,Vestri根据已记录的交互模式(这些交互模式来自它之前自主学习的过程)来预测与未见过的新物体进行复杂物理交互时,选择不同的方式分别会产生哪种结果。”

(2)可预测行动结果

常见的机器人都是按照事先预设好的指令代码进行执行,它们只理会“做”或者“不做”动作,并不会考虑这些动作是否会带来不好的结果。

Vestri可以在执行特定动作之前,就预测到这种动作将会产生怎样的结果。当然它能实现这种“特异功能”,得益于它在之前“摆弄”物体时,通过自带摄像头收集到了大量的数据。这些图像数据信息就存储在Vestri的系统内,预测图像的像素将如何从一帧移动到下一帧。

2、Vestri背后的新技术

Vestri机器人本身并无特别之处,而它两大特点,其实都基于一项最新的技术——“视觉预见”(visual foresight)。

该项技术由伯克利AI实验室研发,其技术核心是基于卷积循环视频预测(convolutional recurrent video prediction)或动态神经平流(简称DNA)(dynamic neural advection)的深度学习技术。

“视觉预见”背后的两位研究者

这项即将改变人工智能世界的学习技术,背后有研究员们辛勤的努力。目前Vestri运用的只是这项技术的早期的原型,只是教会机器人如何自主学习一些独立的手工技能。虽然目前的技术只能使机器人预测几秒钟时间,但足以让他们计算如何躲避障碍,成功地移动桌子上的物体。

视觉预见技术来自加州伯克利大学AI实验室,而这项技术与以下两位息息相关。

1、Sergey Levine

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果]

Sergey Levine是UC Berkeley电气工程和计算机科学系的助理教授。目前他主要在两大研究中心活动:伯克利AI实验室(简称BAIR)和加州大学社会利益信息技术研究中心人与机器人部门(简称CPAR)。

2009年Sergey Levine同时获得斯坦福大学计算机科学学士和硕士学位,并于2014年获得斯坦福大学计算机科学博士学位。2016年秋季他加入UC Berkeley电气工程与计算机科学系,主要研究用于决策和控制的机器学习技术,重点研究深入学习和强化学习算法。工作的应用包括自动机器人和车辆,以及计算机视觉和图形。

他的研究包括开发结合感知和控制的深度神经网络策略中的端到端训练算法、逆向强化学习可伸缩算法、深度强化学习算法等。2016年他与Chelsea合作发表了“视觉预见”技术论文。此外,他还入选2016年MIT35岁以下科技创新者评选前35名。

2、Chelsea Finn

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果]

Chelsea Finn是Levine实验室的一名博士研究生,她发明了最初的DNA模型。

2014年Chelsea Finn毕业于麻省理工大学电气工程与计算机科学学院,2014年进入UC Berkeley攻读PHD(学术研究型博士),主要研究机器人感知与控制。在进入BAIR之前,Chelsea Finn还曾在Consyl、Google和Sandia国家实验室工作过。

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果]

2016年Chelsea Finn以第一作者的身份发表论文《面向机器人运动规划的深度视觉预见》,该论文在2017年3月更新了第二版。

伯克利AI实验室

UC Berkeley成立于1868年,全美排名21,该校有130个专业排名前10,其中土木工程、环境工程、生态学、化学、计算机相关专业均位列全美第一。 此外,该校有许多知名校友如戈登·摩尔、朱棣文、丘成桐等。国际知名的科学奖项如诺贝尔奖、菲尔兹奖、图灵奖等也让伯克利的校友们拿到手软。UC Berkeley成立了70多个研究中心和实验室,伯克利AI实验室(简称BAIR)就是其中之一。

伯克利AI实验室有目前有24名教师和100多名研究生,主要研究领域有计算机视觉、机器学习、自然语言处理和机器人。

2016年,实验室博客BAIR开博,BAIR 博文的作者们包括在校学生、博士后及教职员工。博客内容不仅面向专业人员,还面向普通读者们,并为他们及时提供实验室的研究动态。

[伯克利AI实验室推出“可预见未来”机器人:完全自学执行任务、可预测行动结果] 伯克利AI实验室的研究成果也是层出不穷,之前其实验室负责人Pieter Abbeel就曾与OpenAI的同事合作建立了初创公司“Embodied Intelligence”,开发出一款用AR训练机器人的软件。

微信截图_20171215133316.png



本月2号,其实验室还发布了最新的研究论文《基于模型的无模型精调深度强化学习的神经网络动力学》,可以使机器人17分钟就学会轨迹跟踪。

就在12号BAIR博客上又更新了一条消息,他们研发了用于机械系统控制( MSC)的机器人安全交互系统,该系统将保障人类在人机协作过程中的安全。

结语:视觉预见技术两大应用前景

“视觉预见”技术,运用的是机器人自己收集到的视频信息,这就使得这项技术具有了普遍适用的基础。

与传统计算机视觉需要人类标注成千上百万的图像不同,构建视频预测模型只需要机器人自己采集到的视频而无需标注。事实上,视频预测模型也已经被应用于从人类活动到驾驶的各种数据集,并且取得了令人信服的结果。

Vestri集成的这项技术可以被用于自动驾驶系统,目前,自动驾驶是十分热门的领域,各大公司都在争相研发无人驾驶车辆。使车辆在路上跑起来并不是大问题,最重要的问题是车辆如何躲避障碍以及突然出现的障碍物。视觉预见技术将能够通过预测突发障碍物的行动轨迹,为自动驾驶汽车规划最佳的躲避路线,从而保障了驾驶的安全。

除了用于自动驾驶,视觉预见技术还能用于研发更加智能的家庭机器人助理。尤其对有老人和小孩的家庭来说,集成视觉预见技术的机器人将可预测摔倒等危险情况的发生,并及时采取措施防患于未然。


微信截图_20171215133404.png


不过,目前这一技术还不够完善,它只能预测未来几秒内的动作,并且这些预测的依据也是机器人在之前自主学习过程中收集过的视频信息。伯克利AI实验室的研究员们说将继续开发更复杂的方法,使机器人可收集更集中的视频数据,完成复杂的任务。
526 浏览

传感器数据完善 AI 功能,激起机器人“网络效应”

工业大数据 陈宽#14530 2017-12-07 14:39 发表了文章 来自相关话题

只要是想扩展业务或建立网络的人,应该对“网络效应”很熟悉。例如,使用像eBay、淘宝这样的市场平台,买家和卖家越多,它就越完善,用处也就越大。 那么,数据的网络效应指的就是,随着服务使用的增加,服务也变得越来越完善的动态过程,比如,随着机器学习模型训练数据量的增加,模型得到的结果也越来越准确。


[传感器数据完善 AI 功能,激起机器人“网络效应”]

网络外部性(network externality),又称网络效应(network effect)或需求方规模经济(demand-side economies of scale),指在经济学或商业中,消费者选用某项商品或服务,其所获得的效用与“使用该商品或服务的其他用户人数”具有相关性时,此商品或服务即被称为具有网络外部性。 最常见的例子是电话或社交网络服务:采用某一种社交媒体的用户人数越多,每一位用户获得越高的使用价值。




无人驾驶车辆和其他智能机器人依赖的是传感器,这些传感器产生的海量数据量,并且越来越庞大。 获取的数据可以被用来构建更好的AI模型,然后机器人可以依靠这些AI模型,做出实时决策,并在真实世界、真实环境中“找到方向”。

当今智能机器人的核心是AI与传感器的融合,可以产生了良性的反馈循环——我们也可以称之为机器人“网络效应”。目前,我们正处于引爆这一网络效应、彻底改变机器人的临界点。

AI的快速演变

人工智能的下一个探索领域是机器人技术,如果你想知道这背后的原因,那你得先了解了解人工智能本身是如何演变的。

近年发展起来的机器智能系统能够利用海量的数据,但在上世纪90年代中期,根本还没有这些数据,互联网也还处于起步阶段。 随着存储和计算方面的进步的出现,快速,经济地存储及处理大量数据成为可能。 不过,这些工程上的进步本身并不能解释人工智能的快速发展。

开源的机器学习库和框架虽然看起来“没什么动静”,但是起到了同等重要的作用。 15年前,在科学计算框架Torch发布BSD许可证时,里面包括的许多算法现在的数据科学家还在使用,包括深度学习,多层感知器,支持向量机和K最近邻算法。

软件许可证是一种格式合同,由软件作者与用户签订,用以规定和限制软件用户使用软件(或其源代码)的权利,以及作者应尽的义务。常用的软件许可证包括:GPL、BSD许可证、私权软件许可证。

最近,像TensorFlow和PyTorch这样的开源项目也为这个共享的知识库做出了宝贵的贡献,让不同背景的软件工程师能够开发新的模型和应用程序。 计算机域的专家需要大量的数据来创建和训练这些模型。因此,大公司拥有巨大的优势,因为他们可以利用现有的数据网络效应。

传感器数据和处理能力

自20世纪60年代初以来,就已经有光的探测和测距(激光雷达)传感器了。这些传感器已经在地理信息学,考古学,林业,大气研究,国防和其他行业中业以及经投入使用。近年来,激光雷达也已成为自主导航的首选传感器。


Google无人驾驶车辆上的激光雷达传感器每秒可产生750MB的数据。机上的8台计算机视觉摄像机每秒钟产生1.8GB的数据。所有这些数据都需要实时处理,但是集中计算(在云端)在实时的高速情况下,还不够快。为了解决这个计算不够快的瓶颈,我们通过分散计算,来提高处理能力。

[传感器数据完善 AI 功能,激起机器人“网络效应”]

目前大多数自主车辆的解决方案是使用两个车载“盒子”,每个盒子都配备Intel Xeon E5 CPU和4到8个Nvidia K80 GPU加速器。最高性能表现情况下,这消耗5000W以上的电力。 Nvidia新推出的Drive PX Pegasus等硬件创新技术也开始尝试更有效地突破这一瓶颈。

AI发展临界点

我们处理传感器数据和融合各种数据模式的能力将继续推动智能机器人的发展。为了使这种传感器融合能实时发生,需要把机器学习和深度学习模型分散开来。当然,分散式AI对分散式处理器的要求更为复杂。


值得庆幸的是,机器学习和深度学习计算效率正不断提高。 Graphcore的智能处理单元(IPU)和Google的张量处理单元(TPU)等成本也不断降低,在规模上加速神经网络的性能的提高。

在其他方面,IBM正在开发模拟大脑解剖学的神经形态晶片。芯片雏形使用一百万个神经元,每个神经元有256个突触。该系统特别适合于解读感官数据,因为它的设计是模拟人类大脑解释和分析感知数据的方式。








所有这些来自传感器的数据,意味着我们正处于机器人网络效应的临界点,这个转变将对人工智能,机器人及其各种应用产生巨大影响。

数据新世界

机器人网络效应的影响,不仅在于新技术和新机器能够更快地处理更大的数据量,而且还能处理更多不同类型的数据。新的传感器将能够检测和捕获让我们“意想不到”的数据,因为人类感知的局限性,这些数据我们可能根本想象不到。机器和智能设备会把丰富的数据传送到云端和邻近的代理,为决策提供信息,加强协调,并在模型改进中持续发挥重要作用。

这些进步比许多人意识到的要快得多。例如,Aromyx使用受体和先进的机器学习模型来构建传感器系统,并为气味和口味数据的采集,索引和搜索提供平台。该公司的EssenceChip是一种一次性传感器,输出生化信号。这些信号与当人类闻到或品尝食物或饮料时,发送到人类大脑的信号是一样的。

Open Bionics 正在开发机器人仿生手臂,仿生手臂依靠从手臂套筒内的传感器收集触觉数据,借此来控制手和手指的移动。这种非侵入式设计能够通过机器学习模型,将电极感测到的精细肌肉张力,转化为仿生手中的复杂运动反应。



传感器数据将有助于推动AI的发展。 AI系统也同时扩展我们处理数据的能力,并帮助我们发现这些数据的创造性用途。 除此之外,这也将激发新的机器人外形设计要素,帮助我们收集更多不同模式的数据。 当我们以新的方式提升“看”的能力时,我们周围的看似“日常”的世界,很快就会成为下一个发现的前沿。 查看全部
只要是想扩展业务或建立网络的人,应该对“网络效应”很熟悉。例如,使用像eBay、淘宝这样的市场平台,买家和卖家越多,它就越完善,用处也就越大。 那么,数据的网络效应指的就是,随着服务使用的增加,服务也变得越来越完善的动态过程,比如,随着机器学习模型训练数据量的增加,模型得到的结果也越来越准确。


[传感器数据完善 AI 功能,激起机器人“网络效应”]

网络外部性(network externality),又称网络效应(network effect)或需求方规模经济(demand-side economies of scale),指在经济学或商业中,消费者选用某项商品或服务,其所获得的效用与“使用该商品或服务的其他用户人数”具有相关性时,此商品或服务即被称为具有网络外部性。 最常见的例子是电话或社交网络服务:采用某一种社交媒体的用户人数越多,每一位用户获得越高的使用价值。




无人驾驶车辆和其他智能机器人依赖的是传感器,这些传感器产生的海量数据量,并且越来越庞大。 获取的数据可以被用来构建更好的AI模型,然后机器人可以依靠这些AI模型,做出实时决策,并在真实世界、真实环境中“找到方向”。

当今智能机器人的核心是AI与传感器的融合,可以产生了良性的反馈循环——我们也可以称之为机器人“网络效应”。目前,我们正处于引爆这一网络效应、彻底改变机器人的临界点。

AI的快速演变

人工智能的下一个探索领域是机器人技术,如果你想知道这背后的原因,那你得先了解了解人工智能本身是如何演变的。

近年发展起来的机器智能系统能够利用海量的数据,但在上世纪90年代中期,根本还没有这些数据,互联网也还处于起步阶段。 随着存储和计算方面的进步的出现,快速,经济地存储及处理大量数据成为可能。 不过,这些工程上的进步本身并不能解释人工智能的快速发展。

开源的机器学习库和框架虽然看起来“没什么动静”,但是起到了同等重要的作用。 15年前,在科学计算框架Torch发布BSD许可证时,里面包括的许多算法现在的数据科学家还在使用,包括深度学习,多层感知器,支持向量机和K最近邻算法。

软件许可证是一种格式合同,由软件作者与用户签订,用以规定和限制软件用户使用软件(或其源代码)的权利,以及作者应尽的义务。常用的软件许可证包括:GPL、BSD许可证、私权软件许可证。

最近,像TensorFlow和PyTorch这样的开源项目也为这个共享的知识库做出了宝贵的贡献,让不同背景的软件工程师能够开发新的模型和应用程序。 计算机域的专家需要大量的数据来创建和训练这些模型。因此,大公司拥有巨大的优势,因为他们可以利用现有的数据网络效应。

传感器数据和处理能力

自20世纪60年代初以来,就已经有光的探测和测距(激光雷达)传感器了。这些传感器已经在地理信息学,考古学,林业,大气研究,国防和其他行业中业以及经投入使用。近年来,激光雷达也已成为自主导航的首选传感器。


Google无人驾驶车辆上的激光雷达传感器每秒可产生750MB的数据。机上的8台计算机视觉摄像机每秒钟产生1.8GB的数据。所有这些数据都需要实时处理,但是集中计算(在云端)在实时的高速情况下,还不够快。为了解决这个计算不够快的瓶颈,我们通过分散计算,来提高处理能力。

[传感器数据完善 AI 功能,激起机器人“网络效应”]

目前大多数自主车辆的解决方案是使用两个车载“盒子”,每个盒子都配备Intel Xeon E5 CPU和4到8个Nvidia K80 GPU加速器。最高性能表现情况下,这消耗5000W以上的电力。 Nvidia新推出的Drive PX Pegasus等硬件创新技术也开始尝试更有效地突破这一瓶颈。

AI发展临界点

我们处理传感器数据和融合各种数据模式的能力将继续推动智能机器人的发展。为了使这种传感器融合能实时发生,需要把机器学习和深度学习模型分散开来。当然,分散式AI对分散式处理器的要求更为复杂。


值得庆幸的是,机器学习和深度学习计算效率正不断提高。 Graphcore的智能处理单元(IPU)和Google的张量处理单元(TPU)等成本也不断降低,在规模上加速神经网络的性能的提高。

在其他方面,IBM正在开发模拟大脑解剖学的神经形态晶片。芯片雏形使用一百万个神经元,每个神经元有256个突触。该系统特别适合于解读感官数据,因为它的设计是模拟人类大脑解释和分析感知数据的方式。


微信截图_20171207142043.png



所有这些来自传感器的数据,意味着我们正处于机器人网络效应的临界点,这个转变将对人工智能,机器人及其各种应用产生巨大影响。

数据新世界

机器人网络效应的影响,不仅在于新技术和新机器能够更快地处理更大的数据量,而且还能处理更多不同类型的数据。新的传感器将能够检测和捕获让我们“意想不到”的数据,因为人类感知的局限性,这些数据我们可能根本想象不到。机器和智能设备会把丰富的数据传送到云端和邻近的代理,为决策提供信息,加强协调,并在模型改进中持续发挥重要作用。

这些进步比许多人意识到的要快得多。例如,Aromyx使用受体和先进的机器学习模型来构建传感器系统,并为气味和口味数据的采集,索引和搜索提供平台。该公司的EssenceChip是一种一次性传感器,输出生化信号。这些信号与当人类闻到或品尝食物或饮料时,发送到人类大脑的信号是一样的。

Open Bionics 正在开发机器人仿生手臂,仿生手臂依靠从手臂套筒内的传感器收集触觉数据,借此来控制手和手指的移动。这种非侵入式设计能够通过机器学习模型,将电极感测到的精细肌肉张力,转化为仿生手中的复杂运动反应。



传感器数据将有助于推动AI的发展。 AI系统也同时扩展我们处理数据的能力,并帮助我们发现这些数据的创造性用途。 除此之外,这也将激发新的机器人外形设计要素,帮助我们收集更多不同模式的数据。 当我们以新的方式提升“看”的能力时,我们周围的看似“日常”的世界,很快就会成为下一个发现的前沿。
374 浏览

如果未来面试官是机器人,你该如何表现才能过关?

智能科技类 陈宽#14530 2017-11-29 13:56 发表了文章 来自相关话题

人工智能正在迅速改变着医疗等行业,但希望与担忧同在,很多人担心AI会取代人类的工作。同时,商业届的现有AI平台加快处理进程的速度要比取代进程的节奏快很多。现在我们无法说出AI到底会有怎样的影响,世界经济论坛近期的一份报告预测自动化到2022年至少会取代5百万份工作。现在唯一清楚的是:未来人们的工作方式和公司看待员工的方式都在被AI改变。






除了一些重复性劳动,我们研发的AI技术在一些岗位中,可以让人和科技一同工作,比如招聘和人力资源。其实,数以百万的招聘人员正在用AI或Ideal这样的机器学习公司来扫描数千份简历和领英页面,以精确地挑选相关候选人。所以,如果你没收到面试电话,可能就是因为AI把你从可能的人才池中筛了出去。一个平台可能让你和理想工作擦身而过,而另一个平台可能会让你避开职业雷区。

要注意的是AI在人力资源领域内的用处早已超出挑选候选人这一件事了。Plum等AI平台会基于就业前针对某种行为的筛选问题,将候选人与公司匹配到一起。在招聘初期,它们可以完全不需要简历,只需要名字、教育和工作经历。它们对成功原因和成就的关注度是一样多的。同时,Knockri用视频来检验未来的雇员。这项技术通过视频回应评估了应征人的口头和非口头交流技巧。与传统的视频面试平台不同,AI工具保证了在筛选过程中,姓名、性别、种族、甚至是口音都不会影响结果。

未来,求职者必须要与AI一同找到合适的岗位,并与潜在的雇主一起迈出找工作的第一步。对想转行、找到更具挑战性的工作、或想让工资稳定的人来说,这种双向现实也带来了新的挑战。为了赶上这个节奏,以下是一些如何更好总结职业经验的建议,以让你更好地面对强大但没有心跳的简历阅读者。

挖掘你的创造性

如果你想进入一家用AI技术辅佐人力资源工作的新公司,你需要放弃简历设计的技巧。招聘者利用过滤软件寻找特定词汇来匹配岗位需求这件事已经见怪不怪了。太泛泛而谈和太新颖的简历会被机器忽略。

是的,创造性是有利的,但是要谨慎考虑。比如,若你是一个软件工程师,你可以在编程测试中发挥创造性,用简单独特的方式解决复杂问题。或者,若你是一个平面设计师,布局、调色和字体都是展现你风格和品位的重要指标。最后,求职者应该展示他们价值主张的独特方面,来突出自己。

学会和聊天机器人聊天

聊天机器人是招聘频繁的公司的第一道屏障。雇主经常会使用Karen.ai等服务来将应聘者分类。用一份简历投递多个职位的日子已经一去不复返了。在和聊天机器人主导的面试中和传统的求职信上,应聘者必须通过展示自身性格和总体职业路径,强调自己和所应聘的岗位之间的相关性。聊天机器人会通过与应聘者整个线上讨论的过程来进行评估。因此,应聘者在和聊天机器人聊天时要注意专业和聊天礼仪,以更有可能进入招聘的下一环节。

拥抱共同的职业未来

我认为AI辅助的招聘过程所创造的求职环境会保持下去。企业会更多地使用AI软件来将应聘者分类。这就意味着,应聘者需要直白清楚地写出自己的背景,用通俗地写出自己相关的工作经历。求职者在找工作的时候应做好准备,了解到AI也会像人类一样去了解他们,而不是仅仅列出自己的成就。最后,在面对拥挤的市场和越来越高的招聘要求时,求职者一定要知道如何让简历和申请表符合这些系统。 查看全部
人工智能正在迅速改变着医疗等行业,但希望与担忧同在,很多人担心AI会取代人类的工作。同时,商业届的现有AI平台加快处理进程的速度要比取代进程的节奏快很多。现在我们无法说出AI到底会有怎样的影响,世界经济论坛近期的一份报告预测自动化到2022年至少会取代5百万份工作。现在唯一清楚的是:未来人们的工作方式和公司看待员工的方式都在被AI改变。

微信截图_20171129135544.png


除了一些重复性劳动,我们研发的AI技术在一些岗位中,可以让人和科技一同工作,比如招聘和人力资源。其实,数以百万的招聘人员正在用AI或Ideal这样的机器学习公司来扫描数千份简历和领英页面,以精确地挑选相关候选人。所以,如果你没收到面试电话,可能就是因为AI把你从可能的人才池中筛了出去。一个平台可能让你和理想工作擦身而过,而另一个平台可能会让你避开职业雷区。

要注意的是AI在人力资源领域内的用处早已超出挑选候选人这一件事了。Plum等AI平台会基于就业前针对某种行为的筛选问题,将候选人与公司匹配到一起。在招聘初期,它们可以完全不需要简历,只需要名字、教育和工作经历。它们对成功原因和成就的关注度是一样多的。同时,Knockri用视频来检验未来的雇员。这项技术通过视频回应评估了应征人的口头和非口头交流技巧。与传统的视频面试平台不同,AI工具保证了在筛选过程中,姓名、性别、种族、甚至是口音都不会影响结果。

未来,求职者必须要与AI一同找到合适的岗位,并与潜在的雇主一起迈出找工作的第一步。对想转行、找到更具挑战性的工作、或想让工资稳定的人来说,这种双向现实也带来了新的挑战。为了赶上这个节奏,以下是一些如何更好总结职业经验的建议,以让你更好地面对强大但没有心跳的简历阅读者。

挖掘你的创造性

如果你想进入一家用AI技术辅佐人力资源工作的新公司,你需要放弃简历设计的技巧。招聘者利用过滤软件寻找特定词汇来匹配岗位需求这件事已经见怪不怪了。太泛泛而谈和太新颖的简历会被机器忽略。

是的,创造性是有利的,但是要谨慎考虑。比如,若你是一个软件工程师,你可以在编程测试中发挥创造性,用简单独特的方式解决复杂问题。或者,若你是一个平面设计师,布局、调色和字体都是展现你风格和品位的重要指标。最后,求职者应该展示他们价值主张的独特方面,来突出自己。

学会和聊天机器人聊天

聊天机器人是招聘频繁的公司的第一道屏障。雇主经常会使用Karen.ai等服务来将应聘者分类。用一份简历投递多个职位的日子已经一去不复返了。在和聊天机器人主导的面试中和传统的求职信上,应聘者必须通过展示自身性格和总体职业路径,强调自己和所应聘的岗位之间的相关性。聊天机器人会通过与应聘者整个线上讨论的过程来进行评估。因此,应聘者在和聊天机器人聊天时要注意专业和聊天礼仪,以更有可能进入招聘的下一环节。

拥抱共同的职业未来

我认为AI辅助的招聘过程所创造的求职环境会保持下去。企业会更多地使用AI软件来将应聘者分类。这就意味着,应聘者需要直白清楚地写出自己的背景,用通俗地写出自己相关的工作经历。求职者在找工作的时候应做好准备,了解到AI也会像人类一样去了解他们,而不是仅仅列出自己的成就。最后,在面对拥挤的市场和越来越高的招聘要求时,求职者一定要知道如何让简历和申请表符合这些系统。
424 浏览

人工智能会违抗命令吗?

智能科技类 陈宽#14530 2017-11-24 14:46 发表了文章 来自相关话题

最近,禁止杀伤性机器人运动呼吁联合国禁止研发和使用自动武器,也就是有自主意识、有杀伤能力的人工智能。不过,有观点认为,人类骑其实需要制造会“违抗命令”的人工智能。本文原题为“Why we should build AI that sometimes disobeys our commands”,最初发表在NewScientist上。

[观点:人类需要制造会“违抗命令”的人工智能]

人类与人工智能互动的未来将会引发焦虑。随着人们开始推动将伦理观念输入到人工智能体系中,我们必须承认这样一个想法:我们需要制造出可以对命令说“不”的机器。

这么做的目的不仅仅是让机器人不对未识别的命令的做出回应,同时也是希望给机器人赋予这么一样能力——即在特定情况下,拒绝不合适、有用的人类命令。这一设想并不容易实现,对于某些人来说也很难接受。

尽管人工智能发展迅速,我们仍然处于这一大变革的开始阶段。许多复杂的人工智能系统还远远未达到能够独立做决定的阶段,在相当长的一段时间内,这些人工智能系统仍然只能一起工作或是在人类的指示下工作。   

创造出能够弥补人类缺点、而非能毁灭人类的人工智能越来越被认为是这项技术完美的发展方向。但是,关键在于,这也意味着如果人工智能具备了伦理观念,它不仅会拒绝人类非法或不道德的命令,也能执行这些命令。

随着人工智能系统变得更加强大和普遍,他们是否会具备伦理观念这一问题变得突出起来。幸运地是,关于这一问题的研究在人工智能领域和学术界都很丰富。DeepMind这一由谷歌在2014年收购的伦敦人工智能研究组是最近想要发行具备伦理观念的机器人的研究组,他们邀请了来自不同领域的顾问,以帮助了解清楚由人工智能在社会上究竟扮演何种角色所引起的两难之境。但是随着我们不断探寻无人驾驶汽车深层次的决策制定过程,深思军用机器人是否能够得到允许以做出杀戮的决定,尝试发现植根于机器学习算法中的种族主义和性别歧视,我们需要退后一步,认识到我们努力做的东西具体情境和它的复杂性。







抵抗是有效的

在几乎所有情境下,由机器所做的决定可以追溯到由人提出的要求。如果机器想要具备伦理观念,它必须有能力识别一项请求是否是合乎道德,在某些情况下,它必须克制自己,不做决定。

人类并不完美。我们已经可以看到有一些观点认为军用机器人相比于人类,可以更好的决定是否摧毁一个目标。这样的想法认识到了人类可能会在做决定时犯认知性的错误。

与此类似,军用机器人不会参与到由愤怒或是厌恶驱使的暴行当中。但是,如果由人工智能控制的机器人被命令去攻击一个村庄呢?美国士兵受到的训练中就有识别和拒绝非法命令。军用人工智能也应当根据同样的规则来工作。

同样的规则适用于军事之外的领域。无论我们是在讨论一个批准或者拒绝贷款的金融机器人,努力避免危险路况的无人车,还是分发止痛药的医药机器人。一个得到购买机器人授权的人类用户,可能会引导人工智能做一些如果人类做会被认为是有问题、甚至是非法的事情,比如让少数群体更难获取贷款,走一条已经关闭或者是很危险的路,开过量的鸦片类药物。

除非人工智能可以识别并拒绝这类决定,否则的话,我们不过也就是打造另一个也会存在人类固有的缺点的智能机器世界,只不过在计算机客观性的掩饰下这个世界的阴暗面并不那么明显。

拒绝在某些时候可能具有侵犯性,但是具备伦理观念的人工智能的未来更加合理,这意味着我们会习惯知道什么时候说“不”的机器。 查看全部
最近,禁止杀伤性机器人运动呼吁联合国禁止研发和使用自动武器,也就是有自主意识、有杀伤能力的人工智能。不过,有观点认为,人类骑其实需要制造会“违抗命令”的人工智能。本文原题为“Why we should build AI that sometimes disobeys our commands”,最初发表在NewScientist上。

[观点:人类需要制造会“违抗命令”的人工智能]

人类与人工智能互动的未来将会引发焦虑。随着人们开始推动将伦理观念输入到人工智能体系中,我们必须承认这样一个想法:我们需要制造出可以对命令说“不”的机器。

这么做的目的不仅仅是让机器人不对未识别的命令的做出回应,同时也是希望给机器人赋予这么一样能力——即在特定情况下,拒绝不合适、有用的人类命令。这一设想并不容易实现,对于某些人来说也很难接受。

尽管人工智能发展迅速,我们仍然处于这一大变革的开始阶段。许多复杂的人工智能系统还远远未达到能够独立做决定的阶段,在相当长的一段时间内,这些人工智能系统仍然只能一起工作或是在人类的指示下工作。   

创造出能够弥补人类缺点、而非能毁灭人类的人工智能越来越被认为是这项技术完美的发展方向。但是,关键在于,这也意味着如果人工智能具备了伦理观念,它不仅会拒绝人类非法或不道德的命令,也能执行这些命令。

随着人工智能系统变得更加强大和普遍,他们是否会具备伦理观念这一问题变得突出起来。幸运地是,关于这一问题的研究在人工智能领域和学术界都很丰富。DeepMind这一由谷歌在2014年收购的伦敦人工智能研究组是最近想要发行具备伦理观念的机器人的研究组,他们邀请了来自不同领域的顾问,以帮助了解清楚由人工智能在社会上究竟扮演何种角色所引起的两难之境。但是随着我们不断探寻无人驾驶汽车深层次的决策制定过程,深思军用机器人是否能够得到允许以做出杀戮的决定,尝试发现植根于机器学习算法中的种族主义和性别歧视,我们需要退后一步,认识到我们努力做的东西具体情境和它的复杂性。


微信截图_20171124144545.png


抵抗是有效的

在几乎所有情境下,由机器所做的决定可以追溯到由人提出的要求。如果机器想要具备伦理观念,它必须有能力识别一项请求是否是合乎道德,在某些情况下,它必须克制自己,不做决定。

人类并不完美。我们已经可以看到有一些观点认为军用机器人相比于人类,可以更好的决定是否摧毁一个目标。这样的想法认识到了人类可能会在做决定时犯认知性的错误。

与此类似,军用机器人不会参与到由愤怒或是厌恶驱使的暴行当中。但是,如果由人工智能控制的机器人被命令去攻击一个村庄呢?美国士兵受到的训练中就有识别和拒绝非法命令。军用人工智能也应当根据同样的规则来工作。

同样的规则适用于军事之外的领域。无论我们是在讨论一个批准或者拒绝贷款的金融机器人,努力避免危险路况的无人车,还是分发止痛药的医药机器人。一个得到购买机器人授权的人类用户,可能会引导人工智能做一些如果人类做会被认为是有问题、甚至是非法的事情,比如让少数群体更难获取贷款,走一条已经关闭或者是很危险的路,开过量的鸦片类药物。

除非人工智能可以识别并拒绝这类决定,否则的话,我们不过也就是打造另一个也会存在人类固有的缺点的智能机器世界,只不过在计算机客观性的掩饰下这个世界的阴暗面并不那么明显。

拒绝在某些时候可能具有侵犯性,但是具备伦理观念的人工智能的未来更加合理,这意味着我们会习惯知道什么时候说“不”的机器。
机器人