机器人|美国陆地作战机器人揭秘：大国大杀器( 二 )
如果一切都像ARL的机器人专家预料的那样 ， 机器人接下来会识别出树枝的存在 ， 抓住树枝 ， 并把树枝拖到道路的一旁 。这些机器人很清楚自己正在做什么 ， 但我站在它们面前 ， 还是心生恐惧 ， 所以我往后退了一小步 。
文章图片
这款机器人的名字叫“RoMan”（Robotic Manipulation） ， 意为“机器操作” ， 和一台大型的割草机差不多大 ， 有一个履带底座 ， 可以应对大多数不同的路况 。它的前部有一个矮小的躯干 ， 配备了摄像头和深度传感器；还有一对手臂 ， 手臂的原型来自灾难响应机器人 RoboSimian ， 最初由NASA的喷气推进实验室（Jet Propulsion Laboratory ， JPL）为美国 DARPA 的机器人竞赛开发 ， 执行与灾难相关的任务 。
文章图片
RoboSimian
今天 ， 罗曼的任务是清理道路 。这是一项多步骤的任务 ， ARL希望机器人尽可能自主完成 。操作员不会指示机器人以什么方式抓住目标物体、或将目标物移动到某个特定的位置 ， 而是告诉RoMan要“清理出一条干净的道路" ， 然后由机器人自主决定如何完成这项任务 。
“自主决策的能力” ， 本就是机器人之所以可以称为机器“人”的原因所在 。我们重视机器人 ， 是因为它们能够感知周围所发生的事情 ， 根据感知的信息做决定 ， 然后在没有人类干预的情况下采取有效的行动 。在过去 ， 机器人的决策是遵循高度结构化的规则 。在像工厂一样结构化的环境中 ， 机器人能很好地工作 ， 但在混乱、陌生或定义不明确的环境中 ， 比如战场 ， 那么 ， 对规则的依赖则会使机器人“笨手笨脚” ， 因为机器人无法提前精确预测与作规划 。
－ 深度学习：一块“绊脚石”
和许多机器人（包括家用吸尘器、无人机和自动驾驶汽车等）一样 ， RoMan是通过人工神经网络来应对在半结构环境中遇到的挑战 。大约在十年前 ， 人工神经网络开始应用于各种各样的半结构化数据 。此前 ， 这些半结构化数据一直是基于规则编程（也就是所谓的“符号推理”）来运行的计算机的难题 。
人工神经网络不是识别特定的数据结构 ， 而是识别数据模式 ， 找出与网络先前遇到的数据相似但不完全相同的新数据 。人工神经网络的部分吸引力 ， 就在于它们是通过实例进行训练 ， 通过让神经网络学习标记的数据 ， 形成自己的识别模式 。具有多层抽象的神经网络 ， 则称为“深度学习” 。
尽管人类参与了训练的过程 ， 人工神经网络也受到了人类大脑神经网络的启发 ， 但从根本上看 ， 深度学习系统的识别模式与人类看待世界的方式是不同的 。我们经常无法理解深度学习系统的输入数据与输出数据之间的关系 ， 所以深度学习系统也往往被称为“黑盒子”模型 。
深度学习的这种“黑盒子”不透明决策特性 ， 给像 RoMan 这样的机器人和 ARL 实验室造成了一些问题 。这种不透明性也意味着 ， 我们要必须谨慎使用依赖深度学习系统的机器人 。
深度学习系统擅长识别模式 ， 但缺乏人类对世界的理解能力 ， 也就无法像人类一样做出合乎情理的决策 。这就是为什么深度学习在一些定义良好且范围小的应用中能取得最出色的表现 。
“当你同时拥有构造良好的输入和输出 ， 并且可以在这些输入与输出中完整地表达你的问题 ， 那么深度学习就很有用 。”美国罗彻斯特大学机器人与人工智能实验室主任 Tom Howard 谈道 。此前 ， Tom Howard为RoMan和其他地面机器人开发了许多自然语言交互算法 。“问题是 ， 在为智能机器人编程时 ， 这些依赖深度学习系统的机器人实际存在的大小是多少?"
Howard解释说 ， 当你将深度学习应用到更高层次的问题时 ， 输入的数据量可能非常大 ， 处理大规模数据会十分困难 。尤其当研究的对象是一个170公斤重的双臂军用机器人时 ， 它在执行任务中可能出现的不可预测或无法解释的行为就变得无比关键 。
推荐阅读
- 特斯拉|特斯拉取消雷达 车主“幽灵刹车”投诉猛增3000%！美国监管介入
- 机器人|机器人也要面子！北京街头两辆无人售卖车运营时吵架
- 税|美国缴税史上第一人！马斯克喊话美国官方：不表示一下？
- 美国|中国奖牌榜超越美国升至第三 再创历史：网友狂点赞
- 美国航空航天局|汤加火山羽流有多猛？NASA：创最高纪录 离地58公里
- 特斯拉|Model 3成美国史上产量最高电动车！马斯克发文“邀功”
- 冬奥会|打破美国VISA 36年支付服务垄断 冬奥会用上数字人民币：无需手续费
- 火山|汤加火山喷发会导致全球无夏之年？美国宇航局：不会对气候有太大影响
- 美国|业绩造假22亿被强制退市后 消息称瑞幸咖啡要重回美国股市
- 汉字|美国爸爸辅导孩子写汉字气到崩溃 一行字写3小时：网友直呼确实很痛苦