很多人都知道,  將機器學習應用于實體機器人是充滿挑戰(zhàn)的，因為控制行為遠比辨認圖片中的物體復雜得多。比如讓工業(yè)機器人自學”抓取多種物品，讓工業(yè)機器人通過看視頻學會調(diào)制雞尾酒，讓工業(yè)機器人也用上自學習軟件，在訓練完一個加載在機器人上的機器學習系統(tǒng)后，還要將這個機器學習系統(tǒng)與特殊的機器人動作相適應，來達到工業(yè)機器人非常講究地工業(yè)機器人和環(huán)境的融合。

但在工業(yè)機器人創(chuàng)新創(chuàng)業(yè)者眼里，這條路是不可避免的。近日在東莞舉辦的李群自動化年度發(fā)布會上，他們聘任了新的首席科學家Frank C.Park，韓國國立大學機電系教授。在演講過程中，以一個生動的PPT向我們展示了工業(yè)機器人中的機器學習和也可以相當完美。以下是雷鋒網(wǎng)截取的精華內(nèi)容：

三菱電機的Kodaira說過，機器人行業(yè)迫切需要系統(tǒng)集成方面的創(chuàng)新，工業(yè)機器人只是一個部件，只有整合到系統(tǒng)里它才有價值。但是每個系統(tǒng)都需要專門定制，與其它系統(tǒng)的鏈接也需要花功夫。因此，整個工業(yè)機器人系統(tǒng)的成本往往是3倍到20倍機器人硬件的成本。而這其中，軟件規(guī)劃一項至少占了40%。

要打造符合時代趨勢更好的工業(yè)機器人（工業(yè)機器人庫），我們需要通過軟件來提高。這其中包括最優(yōu)規(guī)劃生成（用最少的時間，損耗最小的能量）；任務的制定和優(yōu)化；模擬（機器人工作單元中的模擬，工廠中的模擬）。

這張圖是韓國工業(yè)機器人的發(fā)展歷史：從韓國2002年出現(xiàn)韓國現(xiàn)代六軸機器人到現(xiàn)在irLib 2016極力推崇的動作規(guī)劃。

這里我要講的是，irLib除了單個機器人的優(yōu)化，還能應用于多機器人，多任務的優(yōu)化。具體包括，在多機器人多任務中，確定機器人的最佳位置，多機器人協(xié)同的任務。

下面以端到端的能量軌跡舉例。在一個正常的機械臂中，輸入扭矩減少30%－40%，能量損失就會減少5-6%。

當然，除了優(yōu)化，工業(yè)機器人中的檢驗也很重要。

這時候今年各種AI會議上大熱的機器學習就派上用場了，機器學習在檢驗中的重要性不言而喻。比如，基于視覺的機器學習，在查看智能機屏幕，產(chǎn)品標簽時都要大量用到。比如，基于聲音的機器學習，在檢查耳機孔質(zhì)量的時候能夠用到。比如，在瓶口紋路檢驗的時候能夠用到。

換而言之，只要是有感官輸入的地方，都能在檢驗系統(tǒng)里用到相關(guān)的機器學習。最后，我想表達的是，我們的目標就是通過更先進的軟件和算法，來達到更好的工業(yè)自動化。

小結(jié)：

在工業(yè)機器人中加入機器學習，根據(jù)業(yè)內(nèi)人士的說法，目前還只是一個噱頭多過于實踐的現(xiàn)狀。但也有一些人欣然嘗試，比如去年十二月份，F(xiàn)anuc在東京國際機器人展覽會上就展示了一臺經(jīng)強化學習訓練的機器人，這個機器人使用了一種名為深度強化學習的技術(shù)，來訓練它自己，可隨時學習新的任務。它在嘗試拾起物品的同時，能夠抓取這個過程的錄像。不管每次它是成功了還是失敗了，它都會記住物品長什么樣的，用它學到的知識改進控制它行動的深度學習模型或大型神經(jīng)網(wǎng)絡。

但面對現(xiàn)在柔性化生產(chǎn)越來越高的呼聲，我們不能再像過去一樣，讓工業(yè)機器人要執(zhí)行一個復雜的新任務時，就花上數(shù)周時間來重新編程，可以想象，如果機器人能夠在勝任新工作之前看著別人先做一遍就“學會“這個新動作，這會讓現(xiàn)在的工業(yè)機器人生產(chǎn)過程產(chǎn)生質(zhì)的變化。也會讓我們在工業(yè)4.0的趕超大潮中，不再跟國外的差距那么大。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。