隆博科技出席MLA研讨会,就机器学习在AMR中的应用价值分享观点

　　2020年11月6日至8日,第十八届中国机器学习及其应用研讨会(MLA’20)在南京大学隆重召开。隆博科技创始人兼CEO佘元博,受邀参加了本次会议,并发表了主题为《机器学习在自主移动机器人 (AMR) 中的应用价值》的演讲。

　　作为国内顶尖的机器学习领域研讨会之一,MLA系列研讨会迄今已举行了17届,近年来参会人数超过2000人,汇聚了来自清华大学、北京大学、南京大学、南方科技大学等机器学习及其相关领域的专家学者,共同探讨机器学习发展及在各领域的应用情况,是一场不可多得的人工智能学术和产业应用结合的盛会。

　　隆博科技专注于自主移动机器人(AMR)技术研发及柔性室内物流解决方案,已经为全球500强企业提供AMR产品及相关解决方案,在多类场景中投入应用,并远销海外。创始人兼CEO佘元博,是国内最早开展AMR商业化应用的推进者之一,同时也是优秀的机器人与人工智能领域技术专家,从商业应用价值角度,分享了关于机器学习(ML)在室内工业AMR领域应用价值的观点。

　　柔性室内物流东风已起,人工智能将大放光彩

　　报告中,佘元博从隆博科技AMR产品在工厂和仓库的应用案例切入,介绍了AMR飞速发展的市场背景。近年来,制造业和仓储物流的发展风起云涌,而风光的背后是其工厂和仓库的室内物流压力倍增,加上用工难的现实环境,和企业信息化的趋势,室内物流迫切需要提升自动化和智能化水平。而室内物流的自动化和智能化,需要大量采用移动机器人替代有人叉车和人手推车,虽然传统导航技术AGV已有成熟应用,但这块市场依旧有巨大空缺。

　　工业室内物流有大量人机协同混合作业的场景,需要移动机器人具备深度的环境感知能力,对环境变化做出动态反应,大量复杂场景需要智能化程度更高的AMR填补市场空缺。另外,在场景部署上,AMR有部署成本低、效率高、周期短、容易变更的优势,这就使得大面积复杂场景更适用部署AMR产品。

　　(数据来源:Interact Analysis)

　　根据国际知名研究机构Interact Analysis的数据显示,AMR增势强劲,在将未来几年内全面超越AGV,其硬件规模将在2024年达到近100亿美元。虽然目前传统导航技术的AGV依旧占据主要市场,但更接近与人的智能水平的移动机器人是应用趋势,这也给人工智能技术应用留下了广阔空间。

　　从良到优的跨越,ML让AMR具备更接近人的智能

　　报告中,佘元博指出了机器学习在机器人技术中应用的思路。传统的机器人技术都是人去设计算法,而机器学习是机器从数据中学习模型,通俗说,机器学习是设计算法的算法。两种方法各有优劣,如何结合是提升机器人智能水平的关键。

　　为简化表述,我们把人设计算法的思路称为逻辑方法。逻辑方法的优势是,通过算法原理能够对结果做出唯一的推导,即只要算法设计得好,结果一定是稳定一致的。而劣势在于对于复杂逻辑,人脑难以设计出完美的算法以得出完美的结果,即复杂逻辑面前,无法通过人脑的设计让算法接近人的智能。

　　当一个信息处理过程,影响结果的变化因子太多,甚至无法知悉哪些因子影响结果,以至于无法采用逻辑方法建模的时候,机器学习可以填补这个空白。另一方面,很多复杂信息处理过程,逻辑方法无法尽善尽美,这个时候机器学习可以起到拔高的作用。即一个复杂信息处理过程,再聪明的人设计出来的算法只能做到80分水平,但是机器学习可以做到90分。

　　另外,佘元博强调,我们一定不要误认为机器学习是万能的。机器学习有天然的劣势,就是得分上限很高,但是下限也很低,而且结果的质量不稳定,这刚好是和逻辑方法相反的。那么我们在应用机器学习过程中,要注意分解问题,将逻辑方法与机器学习结合,既保障逻辑方法的高下限和稳定性,又能通过机器学习提高上限。通俗地说,就是如果我们只运用机器学习方法,结果可能是某些场景50分某些场景90分;如果只运用逻辑方法,结果可能保持在80分。而两者结合后,则可以是保障在80～90分之间。

　　从感知到决策,隆博AMR将ML投入“实战”

　　感知,是从传感器数据到有价值的环境信息的处理过程,而视觉数据是信息量最丰富的,随着视觉的大规模应用,机器学习可以发挥重要作用。当然,除了视觉数据,从其他信息量丰富的数据里面,我们也可以通过机器学习得到环境中有价值的信息。隆博在这个层面做了很多应用,包括储位状态识别、料车识别、AMR运动过程中的障碍识别、人体跟随等。

　　决策,是从有价值的信息到反馈策略,或者结果预测的处理过程。由于目前各类机器人智能的发展水平还不高,绝大部分场景都是希望机器人完成特定的任务,而不是希望机器人有自己的个性。所以现实中,绝大部分决策模型都是逻辑方法,需要用到机器学习的可能只有4%,这些机器学习应用主要起到将结果从80分提升到90分的效果。隆博科技在定位技术上运用机器学习技术,将影响定位结果的弱关联数据组织起来,采用可信定位对数据进行标记,得出的模型不仅能提升定位精度,还一定程度上消除了噪点影响。在避障技术上运用机器学习技术,将影响避障策略的环境数据和导航数据组织起来,采用人工决策对数据进行标记,得出的模型更接近人的避障决策水平。

　　在智能化的道路上,隆博科技一直在做相关的技术创新,让机器人的智能水平更加接近于人。

　　技术并非越高端越好,解决客户痛点才是王道

　　“找到客户的痛点问题,判断技术的应用趋势,才能让技术产生最大的商业价值。”报告中,佘元博回归主题,指出技术只是通过产品解决客户需求问题的手段,一味追求高端技术,耗费大量成本去解决客户不关心的问题,对技术的商业价值是没有贡献的。所以从商业价值角度来看待技术应用,我们一定先好了解技术的应用场景,优先解决客户的痛点问题。

　　另外,佘元博也指出了从行业竞争角度来评价技术的商业应用价值的思路。如果一项技术很有用,大部分同行都采用了,而且解决了客户的痛点问题,那么这项技术很有商业价值。在未来技术的预判上,如果一项技术目前没有被大部分同行应用,N年后可能会被大部分同行应用(来解决N年后的痛点问题),那么N越小,这项技术的商业价值越高。所以我们要判断技术应用的趋势,才能始终在技术发展上领先同行一步,但是从商业价值角度看,领先太多也没有意义。

　　佘元博认为,目前机器人行业发展迅速,但整体技术发展水平还不够高,很多场景没达到必须通过机器学习解决业务问题或竞争问题的程度,所以有非常多没有被开发的需要用到机器学习的场景。如何将机器人智能从80分做到90分,需要人工智能从业者一步步挖掘。机器人智能化,还有非常多的空间,隆博科技在智能技术上将不断深入和创新,在业务上围绕市场需求和客户痛点,不断挖掘机器人智能的商业应用价值。

特别提醒：本网内容转载自其他媒体，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。