机器人技术中的机器学习如何改变未来的工厂

• 不少工厂正在使用机器人技术中的机器学习来提高产量、实现质量保证自动化、预测维护计划等。

• 多种类型的机器学习技术带来了人们对机器人技术的应用。

• 机器人技术中的机器学习使得生产制造领域的运营更安全、更敏捷、更加以客户为中心、更高效、并能创造出更多的利润。

• 制造商可以开始逐渐在机器人领域采用机器学习，并有望较快地获得投资回报（相对于其他投资）。

• 机器学习在机器人领域中的进步将使工厂的装配线能够得到快速的重新配置。

机器学习是人工智能（AI）的一个分支，研究的对象是让软件程序能够根据自己的经验自动改进算法的过程。《财富商业洞察》杂志最近的一项研究和报告预计，全球的机器学习市场将从 2022 年的 212 亿美元（约合人民币 1500 亿元）增长到 2029 年的 2099 亿美元（约合人民币 15000 亿元），年复合增长率为 38.8%。

纯数字机器学习过程可以从许多方面为生产制造带来益处，例如改进产品设计和运营效率，但本文主要讨论机器人技术中的机器学习。虽然机器人流程自动化（RPA）技术是基于软件的技术，可为企业带来好处，包括节省成本和提高效率，而这里所指的机器人是指物理工业机器人。

机器学习在工厂中的应用

机器学习是创建互联工厂的关键组成部分，互联工厂包括一系列工业物联网（IIoT）设备，包括作为智能制造范式一部分的可强化和简化工作流程的机器人技术。工业物联网传感器可生成大数据流，机器学习数据分析可从中挖掘出有价值的信息。机器人技术还有通过其中一些工业物联网传感器提高感知和推理周围环境的能力，这些传感器包括但不限于超声波、雷达、激光雷达、力传感器以及来自照相机、图形处理器（GPU）和机器学习人工智能的计算机视觉。

除了用于产品组装之外，机器学习已经开始并将继续以多种方式改变制造业。机器学习可以让产品组装从中得到巨大的益处；用具有机器学习技术的设备来制造某些产品（例如半导体），可以减少停机时间、溢出以及维护和检查成本。

机器学习正在改变从装配到维护和检查的制造流程。

组装后的工作和机器学习可以提高质量保证。现在，高分辨率摄像头和高性能图形处理器已经很常见，而且价格也不是贵得让人望而却步，在更好地检查产品的缺陷方面，机器学习计算机视觉系统要比人的能力强。

机器学习还可以执行无损测试，而不会出现人为的错误。例如，将超声波等传感器数据与机器学习分割和对象检测算法结合使用，可以更准确、更高效地发现材料中的裂纹和类似的缺陷。

普华永道（PwC）在其执行研究论文 Digital Factories 2020—Shaping the Future of Manufacturing （“数字工厂 2020——塑造制造业的未来”）中报告说，制造业的预测性维护将是未来几年机器学习在工厂中的最大增长领域，从 2020 年 28% 的公司实际使用率增长到 2025 年的 66% 计划使用率。工厂机器人和其他机器的预测性维护源自设备上的工业物联网传感器生成的大数据，这些传感器可记录有关设备状况的信息。普华永道的研究指出，机器学习算法然后对数据进行分析，预测出机器何时需要维护，从而帮助避免因计划外维护而造成的代价高昂的停机时间，把维护工作计划在客户需求较低时期。

机器人技术、其他机器、产品甚至整个工厂的数字孪生是真实物体或假设物体的虚拟表示，它们使用模拟、人工智能和机器学习预测和优化性能以提高质量和效率，而成本要低于在物理环境下实际操作的费用。

虽说机器学习在工厂中的其他用途与机器人技术关系不大，但仍然可以提高整个制造业的效率。正如来自工业物联网传感器的大数据能够支持机器学习进行预测性维护一样，将来自数字工厂的集中数据分析结果输入到机器学习算法中可以改善供应链管理（从优化物流路线到用计算机视觉库存管理取代条形码扫描，再到优化可用存储空间）。机器学习还可以预测需求模式，以帮助避免生产过剩。

在生产过程中，企业需要对成本、材料、重量、强度和其他因素（例如制造技术）进行优化，然而在优化过程中有数以千计的设计可能性，衍生式设计可以使用机器学习对这些数目众多的可能性进行筛查以达到预期的目的，让企业充分利用工厂车间现有的机器人技术和机器。

如何在机器学习中训练机器人

机器学习算法，无论是纯数字的（如互联网的搜索引擎），还是应用于物理机器（如机器人系统）上的，都需要有大量的数据集输入才能识别各种模式并从中学习。为了涵盖人工智能可能遇到的（和不太可能遇到的）场景，输入的数据量必须足够庞大才能满足机器的全面学习。如果没有足够的数据，机器学习“模型”可能永远也无法完全发挥潜能。当然，数据也必须准确，模型才能正确地完成学习。机器学习可对重要的人工智能进行训练，例如辅助手术的医疗机器人，因此数据的准确性至关重要。

第三方数据训练平台可用于训练机器人系统之类的机器学习模型，以执行不断增长的任务和行为列表，例如装配和构建产品和结构，以及与人互动或避开人体等。数据训练公司可以根据工厂所建议的机器人系统需要在工厂中发挥的作用定制训练数据。

机器学习有许多分支，如深度学习，这在今天已经非常普遍，因为它所需的大量计算能力现在已经很强大而且相对负担得起。深度学习利用神经网络（即节点网络），其中节点的权重是从数据中学习的。这些网络的设计就是用来模仿人类和动物大脑适应动态输入进行学习的。以下是影响机器人技术的机器学习的其他一些分支，以及它们的一些应用。

一名医生正在使用机器人手术系统。

计算机视觉

通过使用深度神经网络，计算机视觉使机器能够解读视觉刺激，如数字图像、视频和来自雷达、激光雷达和超声波等传感器技术的数据。它在执行这种操作时，类似于人类视觉将物体彼此区分开来的方式，了解物体之间的距离、物体是否在运动，并观察图像中是否有问题。然后，机器可以根据其视觉输入建议采取行动或自行采取行动。

例如，具有足够强大处理能力的计算机视觉系统可以超越人类检查产品或观察装配线的能力，因为它们可以比人类更快地对大量物体进行快速分析并发现更加微小的缺陷。计算机视觉系统的深度学习过程需要吸收大量的数据才能对物体进行比较并最终了解两个物体（如一个完美的零件和一个有缺陷的零件）之间的差异。数据在卷积神经网络（CNN）中处理以解读单个图像，并在循环神经网络（RNN）中处理以解读一系列图像，例如视频馈送。

来自安保和交通方面的摄像头、智能手机和其他视觉技术的大数据的涌入帮助计算机视觉蓬勃发展，而且该技术一直是自动检查系统兴起的关键。计算机视觉不仅在自动驾驶汽车识别和避开其他汽车、行人、自行车、道路指示牌和标记的前景中起着关键的作用，而且在制造业中的应用也在不断增长。IBM 预测，计算机视觉市场在 2022 年将达到 486 亿美元（约合人民币 3450 亿元）。

IBM 还致力于利用工业物联网设备内的边缘计算能力，在汽车制造中使用计算机视觉来检测质量缺陷。这种功能可以依靠计算机视觉的对象检测能力来实现，它可识别产品缺陷或需要维修的机器，让几乎任何制造领域受益。计算机视觉的对象跟踪（即检测到物体后对其进行跟踪的能力）对于机器人程序（旨在于共享空间内实现人类和机器人直接交互的“协作机器人”）以及自动驾驶车辆和无人机来说都是至关重要的。

模仿学习（在该过程中，人类“训练师”对机器人进行行为训练）对于人形机器人和肢体机器人来说很重要。

模仿学习

模仿学习是一种接受指导的机器学习的形式，在这一过程中，“训练师”（通常是人类）在物理或模拟环境中向机器学习实体展示行为，人工智能设备根据训练师的示例制定行为策略。会学习的人工智能设备（或“智能体”）从环境中的“自变量”以及来自训练师动作的“目标变量”中获取输入。例如，如果人工智能设备试图从训练师那里学习抓握的动作，那么目标变量可能是训练师从抓握一种物体变为抓握另一种物体的变化方式。根据训练师的教导，人工智能设备会制定一种“方针”或策略，以供在将来的行为学习中使用。

无论是自动驾驶的汽车，还是可以击败人类世界围棋冠军的机器，在这类人工智能中，模仿学习都起着重要的作用。在机器人技术领域，模仿学习对于现场机器人的制作来说一直都起着十分关键的作用，无论这些现场机器人是用来在静态和可预测的环境（如工厂）之外作业，还是用来在某些特殊行业（如建筑、农业和军事）作业。这是开发人形机器人和其他腿式机器人以及越野移动机器人的重要方法。

多智能体强化学习

有一种强化学习的方式（多智能体学习或多智能体强化学习），将多个人工智能设备或智能体放置在一个共同的物理或模拟环境中。模仿学习教导单个智能体尝试模仿训练师的动作，而多智能体学习则通过多个智能体之间的协作（或相互竞争）以及从效仿“他人”的行为中进行学习，从而产生一种累积学习效果。每个智能体都可以根据自己的观察和经验获取自己的信息，并可以共享信息以促进集体进步。这种机器学习在游戏中的应用已经非常普遍，而且在其他领域也有许多应用，例如，自动驾驶车队或搜索救援的机器人团队。

来自 OpenAI 的关于多智能体学习的热门视频让两支人工智能团队在捉迷藏的游戏中展开了对抗。经过多次迭代，最初非常初级的游戏玩法演变为复杂的策略，因为竞争的团队学会了创造障碍、克服障碍、建造结构、找到进入这些结构的方法等技巧。

自监督学习

机器学习的许多早期工作，例如用来识别图像内容的计算机视觉项目，需要用元标签对数据进行标记。例如，每个图像都必须标记为“狗”或“热狗”等等。这种标记工作往往意味着时间和资金方面的巨大成本。与此形成鲜明对比的是，自监督学习（SSL）算法不依赖于标记数据。相反，这种学习方法训练自己根据输入的一部分内容来预测即将输入的另外一部分内容，所以有时也被称为预测性学习。SSL 的用途表现在不同的领域，例如，在机器自然语言处理（NLP）和谷歌的医疗图像分类工作中。

大多数 SSL 算法都被限制在单个“域”的输入，例如口语词汇、文字或图像。然而，斯坦福大学以人为中心的人工智能研究所（HAI）的研究人员引入了 DABS（自监督学习的未知领域基准），让算法能够从七种输入类型的角度应用 SSL（包括多语言文本和语音、传感器数据和图像），而且还可在以后进一步添加。SSL 已对提高自动驾驶车辆的安全性和疾病诊断起到了积极的作用。DABS 可以降低企业使用 SSL 的准入门槛，并在工业诊断等领域逐渐展现出相当的潜力。

使用机器学习和机器人的好处

随着机器人技术中的机器学习变得越来越复杂，它使机器人系统能够接管那些对人类来说是危险的或高度重复的更为复杂的工作，并且/或者随着对感知周围环境能力的提高，机器人可与人类进行更多的互动。这使得智能工厂对工人来说更安全，同时也让他们腾出时间从事更具创造性的“软技能”工作，或者提高技能，以从事编程和机器维修等工作。

具有机器学习功能的机器人可以减少人为的错误，避免意外停机，并以超出人类能力的精确度和一致性检查产品质量，这也使得生产制造的生产力和效率得以提高，从而提高利润。

2022 年，麦肯锡与世界经济论坛合作，将全球1万多家工厂中的 103 家工厂归类为“灯塔”工厂，这意味着它们已完全过渡到工业 4.0 技术。该研究发现，这些灯塔工厂更加灵活，以客户为中心，并在生产率和可持续性领域（例如减少浪费和温室气体排放）更大程度地改善了关键绩效指标。该项研究还从这些灯塔工厂中挑选出 59 家先进工厂。这些先进的灯塔工厂比其他公司更广泛地采用机器学习技术，包括使用灵活的与人协作并收集数据进行分析的智能机器人的自动化技术，以及可识别缺陷的机器学习计算机视觉检查。

随着机器人变得越来越复杂，它们可以接管危险、复杂和重复性的任务，让工人腾出时间来提高技能，从事更具创造性的工作。

如何将机器学习融入工业机器人

随着软件的改进和其他技术的发展，制造商欲将智能机器人技术引入运营变得比以往任何时候都切实可行。The Association for Advancing Automation （A3，先进自动化协会）声称，即使是中小型制造商也可以安装智能机器人系统，而且平均在 6-15 个月内便可实现投资回报。根据系统的不同，现有的工厂工人通常可以学习对机器人的操作，而不需聘请专门的机器人专家或工程师过来指导。

在使用机器人技术的过程中，企业可以先对智能机器人可能发挥作用的一两个领域进行评估，然后再逐渐扩大范围，而不是一开始就尝试全面推进。企业可以问自己一个问题：有没有哪个领域可以让先进的机器人技术来接替那些肮脏、枯燥或危险的工作？质检也是一个不错的起点，企业可以使用用来检查机加工零件并配有机器视觉的机械臂来代替或强化以手工方式进行的质量检验。机器视觉系统还可以管理库存并收集大量数据，然后用机器学习对这些数据进行分析，改进流程。

另一个潜在的切入点可能是使用一个自动移动机器人（AMR），它可以在工厂内移动物品，并智能地绕过障碍物和人员。更复杂的 AMR 也可以配备机械手臂，以实现额外的协作功能。工厂可以让工人放心的是，这种机器人是用来帮助他们而不是取代他们的，甚至可以通过促进他们对新技能的获取对他们的职业发展给以帮助。

企业也可以与许多潜在的机器人和人工智能供应商合作，将机器学习机器人整合到自己的业务中。企业此时需要考虑两个选项：从不负责机器人安装的分销商处购买，然后自己找人来安装和配置，还是从一家“机器人即服务”的公司购买？后者不仅出租技术，还将提供维护和监控（费用已包括在内）。

机器学习和机器人技术将如何改变未来的工厂

机器人技术中的机器学习越来越容易为规模和预算较小的工厂所接受，这种趋势只能随着机器学习（得到从工业物联网收集到的数据的支持）的改进和计算能力的不断提高才能得以发展。欧特克人工智能实验室的 Brickbot 等项目正在为这一目标而努力；如果获得成功，机器学习的机器人技术将更易于使用，并有可能改变机器人制造的整个范式（从大规模生产到无限的可配置性）。

自动化装配线目前只有一个目的：大规模生产一样产品。对这些装配线的工业机器人的编程针对的是重复而且是特定的任务，对它们重新编程可能是一项艰巨的工作，有时需要数月甚至数年的时间。“这种工作非常繁琐，复杂得令人难以置信，而且非常容易出错，”欧特克公司研究副总裁 Mike Haley 介绍说。

但是，客户越来越希望对产品进行自定义和个性化，这使得重新配置装配线变得更加必要。通过与 Brickbot 的合作，欧特克人工智能实验室设定了一个教机器人如何用乐高积木进行搭建的目标，就像儿童学习搭积木一样。Brickbot 接收传感器的数据，并使用机器学习推断其环境条件，然后相应地采取行动并适应这一过程。然而，这只是开始。在不断改进之后，如果机器人能够学会组装任何东西，它还可以重新定义机器人在工业环境中的工作方式。

欧特克人工智能实验室的软件架构师 Yotto Koga 说：“长期以来，组装汽车的机器人装配线牵一发而动全身。如果你更改设计或设计中的零件，就必须对所有的零件进行重新设计，才能使这些新零件融入整个系统发挥作用。我们正在想办法让机器人更易于使用，这样就可以将装配线组合在一起，让更多的人都能使用，而不仅是实力雄厚的大公司才能使用。”

Haley 说，在将学到的知识转移到物理对象之前，我们可以用三维模型对 Brickbot 等机器学习中的机器人系统进行数字化训练，它的速度要比在真实世界中进行实际操作快数百万倍。最终，该人工智能实验室可以将所学知识应用到任何工业环境中，制造汽车或航空航天部件、电子设备，或者任何需要的东西。

“未来的工厂不会是单一用途的工厂，”Haley 说，“他们必须适应各个时间点的需求。你可能会在半夜做出重新设计产品的决定。到第二天早上的时候，工厂已经对如何处理这一设计变更作出指示，并把准备工作落实到位。”