你不知道的AI竞赛

相信我们大多数人都看过江苏卫视的<<最强大脑>>吧,看到选手们用他们高超的脑力,敏捷的判断,谨慎的推理完成了一次又一次精彩绝伦的比赛,我们不禁为之惊讶赞叹。可是,人类的脑力究竟有多大的潜力,我们究竟可以达到怎样的高度呢?面对信息科技如此发达的今天,人工智能领域的兴起是否又会掀起一场人脑与机器的对抗呢?当我们看到选手与人工智能机器人之间的对决时,不禁为之捏一把汗,不得不说,人工智能的发展已经迈入了一个新的章程,甚至产生了各种各样的比赛。

由一场灾难而受到启发的竞赛

2015年的DRC Final 的任务主题是——救援。起因主要是震惊全世界的日本Fukushima海啸。由于当时海啸冲毁Fukushima核电站,污染了附近水域,救援人员难以实施援救,日本政府和民众就期待机器人能代替人完成在核辐射废墟环境中的搜寻和营救——众所周知,日本在机器人的研究上投入了多年的财力和人力,公众对此寄予很高期望,希望在这种关键时刻日本社会的投入能有所回报。

DRC从启动到最终决赛,历时将近三年时间,花费资金估计不到五千万美金。有资格参加DRC决赛的总共25支队伍,美国以外的参赛队伍包括2支德国队、1支意大利队、3支韩国队、5支日本队和2支中国队。2支中国队中有一个是来自香港大学的队伍,另外一支就是之前传出的中科院的一支队伍。我在DRC之前的公开资料上也看到了有一支来自中国大陆的队伍,但是很遗憾,在决赛现场的展板上就没有看到这支队伍的身影,很显然他们已经退出了比赛。最终DRC决赛的前三名会分别获得200万、100万和50万美金的奖金。

在这场比赛中,第一个任务是机器人需要从操控中心移动到坍塌房屋门口,中间设置了两个路障,也就是说机器人首先需要驾车绕过两个路障,安全到达废墟门口;

第二个任务是机器人需要不借助任何现场人为帮助从车上下来,移动到坍塌房屋门前;

第三个任务是抓住并旋转把手,打开房门;

第四个任务是将红色的圆形阀门旋转360度,看起来像是模拟水闸的开启和关闭;

第五个任务是拿起位于墙上搁板上的电钻,并在旁边的木头墙上钻出一个大洞来,墙上画有一个黑色的圆圈,赛制要求钻出的洞口必须要大于那个黑色的圆圈。

第六个任务是所谓的“惊喜(吓)任务”,每天都设置成不一样的,用来考验机器人对未知任务的适应性。比如说让机器人去按下一个按钮、拉下一个手柄,但是也有难度较大的需要机器人将一个插头拔出来,然后再插入到另外一个位于墙上的电源插口去,可谓完全是惊吓级别的任务。事实证明,很多第一天表现不错的参赛机器人,第二天都在这一个任务上栽了跟头。

是第七个任务是完成了这几项之后,机器人需要通过一堆坍塌物散落的高低不平的地面。地面上的坍塌物分为两种,一边是一些轻质的,每个不超过5磅的类似木条、铁管的杂物,另外一边是模拟坍塌下来的大块墙体造成的大、小斜坡,中间没有空白通道能让机器人顺利通过,只能选择一边来通过。

这个任务完成后,机器人便可以走出坍塌房屋,走向位于另一侧的模拟通向出口的一个楼梯,顺利登上楼梯就意味着第八个任务完成了,同时也就结束了整个比赛。

比赛结束后,前三甲中,韩国队拿到了第一名;ihmc是第二名;而CHIMP(卡内基梅隆大学研发)是第三名。以下是比赛中一些机器人的照片。



虽然我们看到的机器人完成的只是简单的动作,但是对于他们来说,一个小的移动与感应所用到的技术都是很高级的。那么机器人需要什么技术呢?

关键技术

机器人是一门多学科交叉的技术,涉及到机械设计、计算机、传感器、自动控制、人机交互、仿生学等多个学科。因此,机器人领域中需要研究的问题非常多,而其中感知、定位和控制是机器人技术的三个重要问题。下面主要针对机器人中的环境感知、自主定位、运动控制等方面,简述其中的用到的一些技术。

环境感知

目前,在结构化的室内环境中,以机器视觉为主并借助于其他传感器的移动机器人自主环境感知、场景认知及导航技术相对成熟。而在室外实际应用中,由于环境的多样性、随机性、复杂性以及天气、光照变化的影响,环境感知的任务要复杂得多,实时性要求更高,这一直是国内外的研究热点。多传感器信息融合、环境建模等是机器人感知系统面临的技术任务。

基于单一传感器的环境感知方法都有其难以克服的弱点。将多种传感器的信息有机地融合起来,通过处理来自不同传感器的信息冗余、互补,就可以构成一个覆盖几乎所有空间和时间的检测系统,可以提高感知系统的能力。使用多种传感器构成环境感知系统,带来了多源信息的同步、匹配和通信等问题,需要研究解决多传感器跨模态跨尺度信息配准和融合的方法及技术。

自主定位

定位是移动机器人要解决的三个基本问题之一。虽然GPS已能提供高精度的全局定位,但其应用具有一定局限性。例如在室内GPS信号很弱;在复杂的城区环境中常常由于GPS信号被遮挡、多径效应等原因造成定位精度下降、位置丢失;而在军事应用中,GPS信号还常受到敌军的干扰等。因此,不依赖GPS的定位技术在机器人领域具有广阔的应用前景。

目前最常用的自主定位技术是基于惯性单元的航迹推算技术,它利用运动估计(惯导或里程计),对机器人的位置进行递归推算。但由于存在误差积累问题,航位推算法只适于短时短距离运动的位姿估计,对于大范围的定位常利用传感器对环境进行观测,并与环境地图进行匹配,从而实现机器人的精确定位。可以将机器人位姿看作系统状态,运用贝叶斯滤波对机器人的位姿进行估计,最常用的方法是卡尔曼滤波定位算法、马尔可夫定位算法、蒙特卡洛定位算法等。

运动控制

在地面上移动的机器人按移动方式不同,大概可以分成两类,一类是轮式或履带式机器人,另一类是行走机器人,二者各有特点。

轮式机器人稳定性高,可以较快的速度移动,无人车、外星探测器等都是典型的代表。大部分轮式或履带式机器人的运动控制可分成纵向控制和横向控制两部分,纵向控制调节移动速度;横向控制调节移动轨迹,一般采用预瞄-跟随的控制方式。对无人车来说,在高速行驶时稳定性会下降。因此,根据速度的不同需要采取不同的控制策略。在高速行驶时通过增加滤波器、状态反馈等措施来提高稳定性。

行走机器人稳定性差,移动速度慢,但可以跨越比较复杂的地形,比如台阶、山地等。与轮式机器人不同的是,行走机器人本身是个不稳定的系统,因此运动控制首先要解决稳定性的问题,然后才能考虑使其按既定的轨迹移动的问题。目前,主流的行走机器人控制方式有两种:电机控制和液压控制,二者各有利弊。电机控制机构相对简单,但负载能力有限;液压控制可以获得较大的负载能力,但机构复杂。

虽然我们现在还没有办法真正的将机器人运用到实际救助中,社会及政府越来越关注人工智能领域以及机器人的研究开发,相信总有一天,我们会实现机器人救助的愿望。

登录或注册后发布评论