《中国人工智能学会通讯》——5.11 移动操作机器人与智能制造

5.11 移动操作机器人与智能制造

智 能 制 造 系 统(Intelligent ManufacturingSystem)是由智能机器和人类专家共同组成的人机系统,高度柔性和集成制造流程,对制造过程进行分析、判断、推理、构思和决策,减少人为干预制造过程导致的低效率和不稳定,同时收集、存储、完善、共享、继承和挖掘人类专家的制造知识。中国制造 2025 规划确定的 10 个具体的智能制造重点领域有新一代信息技术、高档数控机床和机器人、航空航天装备、海洋工程装备及高技术船舶、先进轨道交通装备、节能与新能源汽车、电力装备、新材料、生物医药及高性能医疗器械、农业机械装备,其中机器人是最受关注的领域之一。由于移动操作(工业)机器人具备了移动性和操作性,因而被认为是未来智能制造中机器人存在的重要形态之一。为此,欧洲的 KUKA 公司率先发力,为智能制造领域定制移动操作机器人系统[17] 。图 5 展示了移动操作机器人担当了制造流程中的物流环节,从中可以看到机器人不仅需要能够与货物衔接,还需要能够与工人互动。


智能移动操作机器人的研究方向虽然也是围绕移动和操作展开,但针对智能制造的要求需要有所侧重。如机器人能力只在某些特定的应用场景上超出人类,如大规模制造。但是在灵巧操作和感知能力方面机器人远不及人类。因此,我们必须考虑在哪些场景下使用机器人才能扬长避短。自然的,我们发现目前移动操作机器人主要还是在后勤保障方面(kuka 智能制造),如配料及搬运。它的远景 目标是围绕后勤保障方面的服务性质的人类协助以及非盈利性质的设备检修和清理。从更长远的目标来看,待各子系统逐步完善,移动操作机器人需要能够从事更加复杂的工业生产任务。因此,试用制造业的移动操作机器人主要围绕提高其性能展开:操作性(Manipulation)和灵巧性(Dexterity)、协 作 性(Human-robot Collaboration) 和 安 全性(Safety)、 易 用 性(Usability) 和 可 重 构 性(Configuration)。

时间: 2024-09-06 16:21:04

《中国人工智能学会通讯》——5.11 移动操作机器人与智能制造的相关文章

中国人工智能学会通讯——从演化计算到演化智能 1.3 演化智能:机遇与挑战

1.3 演化智能:机遇与挑战 从宏观角度来看,利用演化计算的手段构建新型的智能系统--即演化智能--在AI2.0的时代将面临前所未有的机遇.一方面,可演化新型终端的涌现,物联网技术的普及,将极大丰富演化计算的内涵.面向智能城市.智能制造.智能医疗等关键领域,构建涵盖了各类异构终端,甚至人类智能的人机融合演化系统正逐渐成为可能.另一方面,高性能计算.云计算技术的发展,使我们能够以远低于过去的代价在长时间尺度下观测和调整系统演化的趋势,为演化智能系统的实用化奠定了基础. 从微观角度来看,要真正从演化

中国人工智能学会通讯——有温度的机器人

我来自云迹科技.我是计算机从娃娃抓起的那一代,小时候开始写代码,90年代刚上大学时,按照现在的说法就和实验室一起做叫做"人工智能"的事情.实际上是模式识别.图像的分析和处理,在图像里面把文字识别出来.把人识别出来.把关键物体识别出来这样的东西.像刚刚苏总讲的,那时"人工智能"这样一个词是蛮忌讳的词,大家虽是做人工智能的,但羞于说自己是做人工智能的:想要发论文要把人工智能这个词去掉,按照当时的话讲"在论文关键词里面提到了人工智能,基本上你的论文会被pass掉

《中国人工智能学会通讯》——11.40 面向知识库的实体链接

11.40 面向知识库的实体链接 近年来,万维网上的数据量飞速增长,万维网已经成为世界上最大.最丰富的数据仓库之一.万维网上的数据大多是以自然语言的形式而存在,比如新闻网页.个人主页.微博.论坛等.自然语言本身具有很高的歧义性,特别是对于那些在数据中经常出现的实体来说.一个实体可能拥有多个不同的名字,一个名字也可能指代多个不同的实体. 另一方面,由于知识库在信息检索.问答系统等领域的关键作用,人们渐渐意识到知识库构建对于未来万维网的发展至关重要.并且随着知识共享社区(比如维基百科 .百度百科 )

《中国人工智能学会通讯》——11.43 研究内容

11.43 研究内容 基于前面对实体链接任务和其应用领域的介绍,可以看出实体链接任务是一项具有挑战性且非常有意义的基础研究工作.实体链接问题的解决对于知识库扩展.问答系统.信息提取.信息检索和内容分析等领域的发展具有巨大的促进作用.在这样的应用需求推动下,对随手可得的万维网数据中的实体进行有效.准确地链接显得尤为重要. 而万维网上的数据存在形式纷繁多样,有非结构化的自然语言文本(如新闻报道.博客文章等),有结构化的万维网实体列表或表格,有短小且低质的社交媒体微博文本,还有面向领域的领域文本(如计

《中国人工智能学会通讯》——11.68 基于锚点标签传播的判别式跟踪 方法

11.68 基于锚点标签传播的判别式跟踪 方法 在跟踪中,物体的表观通常是连续不断的变化且不可能是独立同分布的.一个鲁棒的判别式跟踪算法通常需要大量的有标签样本来拟合目标表观潜在的数据分布.然而,精确的有标签样本通常只来自于第一帧,因此数量有限.为了获取更多的有标签样本,大多数算法都是利用当前帧的跟踪结果加较小的扰动 ( 通常是一两个像素 ) 提取正样本,在远离跟踪结果的区域中提取负样本.一旦跟踪结果不精确就容易造成标签分配不准确,误差累积会使分类器的性能下降从而跟丢目标.在无需假设任何数据分布

《中国人工智能学会通讯》——11.69 基于主动样本选择的判别式跟踪 方法

11.69 基于主动样本选择的判别式跟踪 方法 上面提出的基于标签传播模型的判别式跟踪方法,该方法与大多数判别式跟踪方法一样,在学习分类器时利用采样和加标签两个独立的策略选择训练样本.这种常用的训练样本选择策略存在以下两个问题.第一,根据已有的跟踪结果为样本估计标签容易引起误差累积.跟踪结果存在轻微的不准确都能导致样本标签的错误估计,进而干扰分类器的学习.第二,样本的采集是无目的性的.采集到的样本并不一定含有提高分类器性能的有利信息,导致分类器性能具有不确定性.现有的大部分判别式跟踪方法主要关注

《中国人工智能学会通讯》——11.71 在线多示例度量学习的结构化稀 疏表观模型

11.71 在线多示例度量学习的结构化稀 疏表观模型 正如上一节所述,稀疏表示作为一种有效的物体中层表示策略,在视觉目标跟踪中得到了成功应用.然而,基于稀疏的跟踪算法中[3-9]最终跟踪结果的确定大多以重构误差大小为衡量标准.研究发现,以重构误差构造目标的观测似然概率存在一些问题. (1)重构误差的大小很大程度上依赖于字典的构成.很多跟踪算法[12-13]采用在线地更新字典基元的方式以适应目标表观变化,即所谓的跟踪中字典学习策略.然而,用最新的跟踪结果来更新字典基元,由于潜在的误差累积很容易造成

《中国人工智能学会通讯》——11.37 非线性切换系统最优控制

11.37 非线性切换系统最优控制 在现实世界中具有广泛的应用,切换系统一直是控制界学者的研究的热点[28-31] .然而大多数切换系统的执行器具有饱和非线性,这是由于实际的执行器都存在物理特性的限制.如果忽略饱和特性的影响,那么不仅会导致降低闭环系统的性能,还有可能导致系统的不稳定,因而引起了许多学者的研究兴趣,出现了许多研究成果[32-34] .然而,目前研究成果只是注重了带有执行饱和的切换系统的稳定性,却没有考虑系统的最优控制问题. 对于切换系统的最优控制问题,不仅需要设计切换系统的最优反

《中国人工智能学会通讯》——11.70 基于黎曼流形稀疏表示的视觉目 标跟踪方法

11.70 基于黎曼流形稀疏表示的视觉目 标跟踪方法 如引言所述,视觉目标跟踪中表观建模主要分为目标表示和统计建模两部分.上两节主要关注的是在跟踪中如何设计一种有效的统计模型.本节主要关注的是表观建模中的目标表示策略.近年来,稀疏表示作为一种有效的物体中层表示策略在视觉跟踪中得到了广泛应用[2] .稀疏表示的核心思想就是将数据表示为一个字典中基元的线性组合,而且只需要较少的几个基元就可以将数据表示出来,线性组合权重向量称之为稀疏参数.目前基于稀疏表示的跟踪方法都假定数据位于欧式空间 .然而,在实