虞泽凡

摘要：为了改变传统机器人动作固定，应变能力欠缺等问题，深度学习已经被逐渐引入到智能机器人技术当中。深度学习技术与机器人的有机结合能设计出具有高工作效率、高实时性、高精确度的智能机器人。本文简单介绍了传统机器人技术特点、深度学习技术的模型与算法。重点介绍了深度学习在机器人聊天、机器人场景识别、机器人运动控制等方面的应用。并对机器人的发展提出了一些建议。

关键词：深度学习;聊天机器人;场景识别;运动控制

中图分类号：TP393 文献标识码：A 文章编号：1007-9416（2019）05-0053-02

0 引言

无论是美国的制造业复兴计划，还是德国的工业4.0战略以及《中国制造2025》，机器人技术作为信息化社会的新兴产业和先进制造业的支撑技术，将对未来服务制造业和社会发展起着越来越重要的作用。随着计算机运算能力的提高以及算法的进化，深度学习技术在机器人视觉和语音识别、人机交互和动作控制等方面取得了许多突破性的进展，广泛地引入深度学习技术将是未来机器人发展的必然趋势。

1 传统现代机器人的特点

传统机器人以工业机器人为主，最初的工业机器人是结合机械结构学与电工电子技术的产物，工业机器人由主体机械结构、电子控制器、调控系统和监测反馈传感器组成的。传统的工业机器人按事先编好的程序对机器人进行操作流程控制，使其自动重复完成某种特定的操作[1]。在现有的已然投放到企业或家庭里的机器人设备中，绝大多数的机器人设备几乎都没有思维能力和学习能力，它们只能按照事先编写好的代码执行一些既定的动作指令，按照动作序列次序完成一些单调重复性的工作。

2 深度学习技术

2.1 深度学习的概念

深度学习受启发于人脑相互交叉关联的神经元，通过对人脑神经网络的分析和研究。模仿人脑架构出一个含有多隐层的机器学习模型。在此模型中建立一个与人脑类似的神经网络来分析、存储和处理数据，通过大规模数据进行训练，得到大量更具代表性的特征信息，从而对样本进行分类和预测，提高分类和预测的精度。深度学习的本质是模仿人脑的多层抽象机制为大规模数据建模提供解决方案。

2.2 深度学习模型

深度学习架构模型的特点可归纳为两点：（1）深度学习的人工神经网络必须具有多层神经网络的隐含层，多层隐含层的神经网络通过学习后所得到的数据才具有更明显的特征，更有利于可视化或者分类;（2）多个隐含层的神经网络在训练上的难度问题，可以通过逐层初始化来化解[2]。

典型的深度学习模型是一个多层次的交叉神经网络。通过增加神经网络的层数可以更有效的提高神经网络的识别与表达能力。深度学习的本质是计算观测数据的分层特征与表示，其中高层特征因子由低层得到。深度学习是一种深层交互的非线性网络结构，通过复杂函数的逼近算法，总结数据集的本质特征[3]。

3 深度学习的机器人的应用

3.1 基于深度学习的聊天机器人

传统的聊天机器人被称为专家系统，它依托后台庞大的数据库构建。传统机器人在聊天时的语句通过检索后台数据库产生，在很多情况下它不能准确的理解和回答相关问题。

随着深度学习在对人类语言理解、常用词组向量表示、语气情感分析、机器翻译以及中文專业术语领域的应用，聊天机器人的关键技术得以突破。基于浓度学习的聊天机器人区别于检索式的专家系统聊天机器人，它的聊天内容迁移性与泛化性更佳[4]。

基于深度学习技术的聊天机器人的深度学习过程是利用两个机器人相互的对话交流来模拟人类的聊天过程。为不断提高聊天的有效和准确性，需对聊天的过程与内容进行评价，评价的决策过程包括响应时间、语气状态、应对策略、流畅度和奖励函数等多个指标。其中奖励函数是一个核心的指标，作为最重要目标参数。当每次出现无效的或不准确的回答时，系统根据错误程度将给出相应的惩罚。最终，聊天系统在对话流畅的前提下，保证整个对话过程中的回复都是准确的、有意义的。奖励函数主要评判对话过程中的信息产生速度、回复内容的相关度、词句情绪、避免尴尬等方面。

3.2 基于深度学习的机器人场景识别

传统的机器人一般只进行简单的重复工作，其在工作过程中不需要了解所处的工作环境及环境变化，所做出的操作与流程和环境没有直接关联。在对机器人提出更多智能化要求的今天，机器人需要获得工作环境中的位置数据，并实时地对工作环境及其变化进行动态识别。目前，通过基于视觉的场景识别与理解来构建周围环境，是提高其智能化水平的关键技术，也是工业机器人智能化的第一步。

特征提取是场景识别中的一个关键技术，虽然传统的人工特征设计也具备一些识别功能，但是其泛化能力较弱，不足以应对较为复杂和不断变化的场景。基于深度学习的场景识别，可以对场景进行特征解析与训练，对前期识别过程中特征的漏标注、误标注进行重新标注，并不断对样本进行增强处理，形成新的显著特征集。如图1所示为基于深度学习的室内场景识别的流程图，这是目前较为流行的一种深度学习方法，它将深度学习中的卷积神经网络技术应用于场景识别之中，流程先通过原图得到高斯金字塔图片集，然后通过区域选择算法获得到待测图片的显著区域，接着使用卷积神经网络结合大型数据集对显著区域的图像进行特征学习，特征融合后形成多层感知预测结果，从而对特征进行场景识别判断[5]。

3.3 深度学习机器人的运动控制

传统的工业控制型机器人每一个阶段的操作都是固定的，每一个动作完成后，进入下一个动作，动作序列都是严格编排的，如果前一个操作有问题或者环境发生改变，那么整个操作流程都会错乱、中断。

基于深度强化学习的机器人控制系统如图2所示，工作对象通过机器人传感摄像头拍摄后，形成像素级别的图像完成原始图像的采集，多步卷积神经网络系统对图像进行处理后，输出中间结果，中间结果通过普通神经网络的处理输出机器人当前的决策网络输出计划动作，机器人机械部分驱动电机马达完成相应动作，环境接受到当前动作后，通过对照动作效果和状态给出相应的奖励数值，从而对决策网络进行更新并将改变后的状态反馈至系统，如此产生一个决策循环。

4 深度学习机器人的发展

随着国家科研水平的不断提高，机器人领域正在发生着巨大变化。未来十来年机器人的发展方向主要为仿生机器人、微型机器人、农业机器人、云机器人和模块化机器、助老机器人。特别是随着人口老龄化的到来，越来越多的老人需要护理，助老机器人将是深度学习机器人的发展趋势，也是机器人行业的朝阳产业。助老机器人核心技术就是让机器人像人类通过眼睛感知世界一样，视觉感知模块使机器人能够感知外界信息，通过视觉系统采集的信息，经过进一步的加工，分析和模式识别，使机器人更加的智能化。

助老机器人的人类动作识别系统雏形如图3所示[6]，其主要流程主要包括以下几个方面：视频与图像的采集、抽象和处理、深度学习检测、得到动作识别结果，数据传输至云端并进行特征图片的推送。

5 结语

随着大数据、云计算技术的快速发展， 未来机器人能更有效的利用云平台更好地存储资源和自主学习， 通过数量庞大的机器人共同分享学习， 叠加学习知识，深度学习技术将得到更快速有效的发展。随着机器人在动作识别、语音识别、情感识别中进行深度学习，机器人将工业服务、家庭服务、航空航天等方面的能力都得到了提高，同时机器人在具体工作过程中的动作准确度、实时性、执行力，指令执行能力以及机器组群之间的协作配合能力得到了提高。深度学习技术在机器人中的应用将是未来科技界的一大核心技术。

参考文獻

[1] 化定奇.机器人产业及其关键材料的现状及趋势[J].新材料产业，2016（07）：5-9.

[2] HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J].Science，2006，313（5786）：504-507.

[3] DENG L， YU D. Deep learning methods and applications[J].Foundations and Trends in Signal Processing，2014，7（34）：197-208.

[4] 梁苗苗.基于深度学习的智能聊天机器人的研究[D].浙江：浙江理工大学，2017.

[5] 张明，桂凯.基于深度学习的室内场景识别的研究[J].现代计算机（专业版），2018（16）：28-32+36.

[6] 潘与维，柳隽琰，罗伊杭，等.基于OpenCV和深度学习的助老机器人动作识别系统设计[J].电子测试，2018（09）：14-16.