[Titanyum itirafı] Sukan Technology'den Chen Zhen: Robotlar için "üç boyutlu bir dünya" nasıl inşa edilir?
Tai Tanbai, "Makinenin sesini anlamasına izin ver" in ardından altı Tai konuğu daha makinenin dünyayı nasıl anlamasını sağlayacağını tartışmaya davet etti. Bu makale şuna dayanmaktadır: Sugan Technology'nin kurucusu ve CEO'su Chen Zhen Titan White ile paylaşma ve bitirme.
Chen Zhen, Tsinghua Üniversitesi Disiplinlerarası Bilgi (Bilgisayar) Ulusal Bilgi Bilimi Laboratuvarı'ndan robotik etkileşim teknolojisine odaklanan mezun oldu. Zhongguancun Double Innovation Service Robot Industry Alliance'ın (RFC) bir üyesi, 2016 Zhongguancun U30'un bir üyesi, Pekin'deki Haidian Bölgesi'nde genç bir yetenek, "Young Eagle Project" üyesi ve birçok üst düzey uluslararası akademik kurumun misafir akademisyeni. Ulusal bir anahtar bilimsel araştırma projesinden sorumlu kişi olarak görev yaptı, Ulusal Üniversite Öğrenci Yarışması Kupası Altın Ödülünü kazandı, bir dizi robot araştırma projesi işbirliğine katıldı ve kişisel olarak bir dizi ulusal bilimsel ve teknolojik buluş patenti ve akademik makaleye sahip oldu. Sugan Technology, çekirdeği makine vizyonu olan bir yapay zeka girişim şirketidir ve üç tur finansmanı tamamlamıştır.
Chen Zhenin Titanium hakkındaki paylaşımı şu şekildedir:
Lisans seviyesinden yüksek lisans seviyesine ve daha sonra 2014 yılında bir iş kurmaya başladıktan sonra, yaklaşık 5 yıl boyunca her zaman vizyon alanında çalışmaya odaklandım. Bu nedenle, son birkaç yılda, yüz tanıma, nesne tanıma, uzamsal konumlandırma, gezinme engelinden kaçınma vb. Dahil olmak üzere vizyonu temel alan algı katmanı algoritmalarının temelde yatan yapay zekayı takip ettiği açıkça görülmektedir. Tip algoritması mimarisinin gelişimi (makine öğrenimi, derin öğrenme ve son zamanlarda popüler olan pekiştirmeli öğrenme gibi) ve donanım sensörlerinin gelişimi her geçen gün değişmektedir.
Laboratuvardayken, ana araştırma yönüm, minyatür dronlar ve fonksiyonel robotlar da dahil olmak üzere özel makineler için görsel algıya dayalı bir dizi robot görme sistemi oluşturmaktı. Bu, 2011'den sonra geliştirildi. Algısal katman algoritması ilerlemesi ve sensör donanımı yeniliği dalgası, bu tür araştırmalar için olumlu destek sağladı, böylece bugüne kadar, tüm sermaye piyasasında yapay zeka projelerinin popülaritesini ve arayışını teşvik etti.
Aşağıda, robotlar için üç açıdan nasıl "üç boyutlu bir dünya" inşa ettiğimizi anlatacağım: robot görme sistemi, görüş teknolojisi ilkeleri ve gelecekteki gelişme eğilimleri.
Robot görme sisteminin gelişimi ve 3 boyutlu görmenin yükselişi
"Robot" teriminin 1920 yılında bir bilim kurgu dramasında Çek bir yazar tarafından önerildiğini biliyoruz. 1950 yılına kadar başka bir Amerikalı yazar Asimov "robotik" terimini sistematik olarak önerdi. Konsept ve ünlü robotlara üç kanun verdi. Bundan sonra, 1970 yılından itibaren bilgisayarların yükselişi ve modern kontrol teknolojisi ve sensör teknolojisinin gelişmesiyle robotlar gerçek üretim sürecine başladı. O zamandan beri, CCD çipine dayalı bir kamera ile donatılmış bir robot, insanlara belirli bir anda optik görüntü bilgilerinin kaydını sağlayabilir ve bu aynı zamanda en eski robot görüş sistemini oluşturdu. 1969'da, Amerikan Apollo ayına inen uzay aracının, robot görüş sisteminin donanım mimarisi için sistematik bir referans sağlayan CCD ışığa duyarlı yongaya dayalı bir kamera ile donatıldığını belirtmek gerekir. Basit hafıza depolama kabiliyetleri sayesinde, o zamanki robotlar basit ve tekrarlayan görevleri yerine getirebiliyordu, ancak çevredeki ortam için herhangi bir algılama ve geri bildirim kontrol kabiliyetine sahip değildi. O zaman robotları arıyoruz. İlk nesil robotlar.
1980'lere kadar geçen zaman ilerlemesi ve görsel algılayıcılar, kuvvet dokunsal algılayıcılar, yakınlık algılayıcıları ve bilgisayarlar bu dönemde hızlı bir gelişme dönemine girmiştir.Özellikle Moore Yasası'nın keşfi, bilgi teknolojisinin gelişme hızının bu dönemde gerçekten de zirveye ulaştığını göstermektedir. Bu dönemin robotları zaten belli bir algı derecesine sahipti, çalışma ortamı ve iş nesnelerinin bilgilerinin bir kısmını elde edebildi ve robotların çalışmasına rehberlik etmek için belirli gerçek zamanlı işlemleri gerçekleştirebildi. Örneğin, aşağıdaki resimde o sırada Amerika Birleşik Devletleri'nde Stanford Araştırma Enstitüsü tarafından geliştirilen Shakey mobil robotunu gördük.Elektronik kameralar, uzaklık ölçerler ve diğer algılama cihazları vardı ve aşağıdan yukarıya doğru bir dizi katmanlı kontrol mekanizması ve o zamanın en gelişmiş görüş sistemini kurdu. Robotun yapılandırılmamış bir ortamda bağımsız muhakeme, hareket planlama ve gerçek zamanlı kontrol gerçekleştirmesine yardımcı olmak için kullanılır. Bu, yapay zeka teknolojisinin o dönemde mobil robotlara uygulanmasının en olgun sonuçlarından biriydi ve Shakey'in doğuşu o zamandan beri açıklandı. Akıllı mobil robot Araştırma perdesi.
O zamandan beri, dünyanın dört bir yanındaki ülkeler mobil robot araştırmalarına yatırım yapmaya başladılar ve bunların arasında görme sistemi, robotların akıllı hale gelmesi için temel giriş olarak kabul ediliyor. Çünkü araştırmanın ilerlemesinde insanlar, çevreyi daha iyi algılamak, mantıksal düşünme yeteneği, muhakeme ve karar verme yeteneğine sahip olmak ve hatta iş gereksinimlerine ve çevresel bilgilere göre bağımsız olarak çalışmak için robotlara ihtiyaç duyuyor. Örneğin, 1990'larda Amerika Birleşik Devletleri'nde DARPA tarafından incelenen ALV otonom aracı, navigasyonu sağlamak için yol işareti tanımayı seçebilir, 10 km / s'lik hareketli bir bulanıklığa ulaşabilir ve aynı zamanda stereo görüş ve uydu navigasyonu gibi gelişmiş teknolojileri de benimser. 2004 yılında, NASA tarafından geliştirilen Mars gezgini Opportunity and Valor, gezginin karmaşık gezegen yüzeyinde bilinmeyen çeşitli görevleri tamamlamasına yardımcı olmak için o sırada en gelişmiş görüntü alma ve stereo görüş teknolojisiyle donatılmış, Mars yüzeyine başarıyla indi. Ve bu dönemde mobil robotlarda üç boyutlu görüş sistemlerinin önemi ilk kez ortaya atıldı.
Yukarıdaki giriş sayesinde, bunu bulmak zor değil 1960'larda ve 1970'lerde geliştirilen robot görüş sisteminden günümüze, aslında en gelişmiş algoritma teknolojisi ve farklı dönemlerdeki donanım sensörlerine dayanmaktadır. . Görme sisteminin algoritma teknolojisinde, onlarca yıllık geliştirme yoluyla, somatosensoriyel tanıma, hedef takibi ve insan gözü takibinin gerçekleştirilmesine karşılık gelen dört seviyeli kullanıcı etkileşimi, tanıma ve algılama, hareketle karar verme ve veri optimizasyonu oluşturulmuştur; harita yapımı ve sahne anlayışı Nesne tanıma; konumlandırma ve tutum belirleme, otonom gezinme, yol planlama; görüntü optimizasyonu, derinlik optimizasyonu, diğer veri optimizasyonu ve bugün herkesin aşina olduğu diğer birçok algoritma. Donanım sensöründe, esas olarak üç seviyeye ayrılmıştır: ön uç sensör performansı, entegre işlem yongası ve gömülü algoritma. Bugünün Titan White Sharing sınıfında, esas olarak 3B görmenin ana gerçekleştirme ilkelerini tanıtacağım.
Önceki girişte bunu gördük Robot görüş sistemi, yol boyunca optik sensörlerin evriminden ayrılamaz . Görme sisteminin onlarca yıllık gelişim tarihinin, optik sensörlerin evrim tarihi olduğu söylenebilir. Bugün, robot görüntü sisteminde taşınan görüntü sensörlerini kabaca üç kategoriye ayırıyoruz: tek hatlı lidar ile temsil edilen tek boyutlu doğrusal dizi sensörleri, gömülü kameralarla temsil edilen iki boyutlu alan dizisi sensörleri ve özel ışık kaynakları. Üç boyutlu derinlik sensörü. onların arasında, Özel ışık kaynağı tarafından temsil edilen 3D derinlik sensörü, robot 3D görüntü sistemini gerçekleştirmek için en önemli ve kritik sensördür. 3D veri alımının kalitesi, mobil robotun arka ucunun algoritma sonuçlarını ve karar kontrolünü doğrudan etkiler. .
Üç boyutlu derinlik sensörlerini gerçekleştirmeye yönelik mevcut ana teknolojiler genellikle 2010'dan sonra geliştirilmiştir ve rotalar aşağıdaki kategorilere ayrılır: monoküler yapılı ışığa dayalı teknik rotalar, dürbün yapılı ışığa dayalı teknik rotalar ve uçuş zamanı yöntemine dayalı teknik rotalar. Bu yılın Kasım ayında Sugan Technology, dürbün yapılı ışık prensibine dayalı servis robotu üreticileri için M-32 üç boyutlu sensörü piyasaya sürdü ve görsel sensörünü gömülü görüş algoritması ile entegre etti. Yapılandırılmış ışığın ilkesi, derinlik haritasının elde edilmesini hızlandırmak veya buna yardımcı olmak için sensör aracılığıyla belirli bir model yansıtmak için lazer optik kırınım ilkesini kullanmaktır. Spesifik desenler, normal, sözde rastgele veya rastgele nokta benekleri ve özel desen benekleri olarak ikiye ayrılabilir.Avantajları yüksek doğruluk ve hızlı yenileme hızıdır, ancak dezavantajı, güçlü ışık altında dış ortamlarda kullanıma uygun olmamalarıdır. Uçuş süresi prensibi aynı zamanda TOF prensibi olarak da adlandırılır.Işığın yayılma hızına bağlı olarak mesafenin ters hesaplanması prensibine dayalı derinlik kazanımı elde etmek için farklı mesafelerde modüle edilmiş ışık kaynağı tarafından alınan farklı fazları kullanır.Bu prensibin avantajı, ölçüm doğruluğunun mesafeye göre değişmemesidir. Azaltır, ancak dezavantaj düşük çözünürlük ve büyük çevresel rahatsızlıklardır.
Görme tabanlı robot algılama teknolojisi SLAM
Vizyon temelli robot algılama algoritmaları ilkesine gelince, son iki yılda popüler olan SLAM teknolojisinden bahsetmek gerekir. SLAM (eşzamanlı yerelleştirme ve haritalama, gerçek zamanlı yerelleştirme ve harita oluşturma . Önemli teorisi ve uygulama değeri nedeniyle, birçok bilim insanı tarafından gerçekten tamamen otonom bir mobil robotu gerçekleştirmenin anahtarı olarak kabul edilir.
Partnerim ve ben bu teknolojiyle 2012 yılında iletişime geçmeye başladık. İşimize 2014 yılında başladığımızda, robotik otomasyon teknolojisi üzerine çalışan bazı yerli laboratuvarlar ve öğretmenler dışında, grafik görüntü yapan akademik çevrelerin neredeyse hiçbiri SLAM'ı duymamıştı. O zamanki başlangıç şirketleri ve sermaye piyasaları söylemeye gerek yok. Günümüzde neredeyse tüm yapay zeka alanının SLAM teknolojisine büyük ilgi ve beklentileri olduğu görülüyor ki aslında bu teknolojinin robotlar ve yapay zeka için önemli konumu ve temsili ürünlerin piyasaya sürülmesi. Ayrılmazlar. SLAM teknolojisinin sermaye piyasasında büyük ilgi gördüğünü düşünüyorum. Bunun büyük bir kısmı, geçen yıl Amerikan yıldız girişimci ekibi Magic Leap'in AR alanındaki teknik keşfi, Hololens'in geçen yıl Microsoft tarafından başlatılması ve Google'ın bu yıl Ekim ayında bir set oluşturmasıdır. SLAM algoritmaları birbirinden ayrılamaz. Çünkü bundan önce, herkes SLAM'ı hiç duymadı, bu teknolojinin 2010'dan sonra robotik alanında hızlı bir ilerleme kaydettiğini fark etmek bir yana. Temsili bir ürün veya firma bu teknolojiyi kullandığında birdenbire herkesin dikkatini çekti.
Bugün sizlere, 2010'dan sonra 3D görüntü sensörlerinin yükselişiyle birlikte SLAM'ın daha da gelişmesini, yani bugün çeşitli mobil robotlara uyguladığımız vSLAM'ın (vizyona dayalı eşzamanlı konumlandırma ve kompozisyon teknolojisi) nasıl yerleştiğini size tanıtacağım. Ve robotların otonom navigasyonunda ve yol planlamasında kullanılır.
2012'de laboratuvarda temas araştırmasının başlamasından, daha sonra Sugan'ın kurulmasına ve meslektaşların teknolojiyi teşvik etmek için tekrarlanmasına kadar, SLAM için bugüne kadar üç kilometre taşı olduğunu düşünüyorum:
- 2000 yılı civarında düzenlenen Uluslararası Robotik Sempozyumunda, SLAM'ın temel çerçevesi ve yakınsamanın doğrulama sonuçları ilk kez verildi ve bu teori için özel kanıtlar ve sonuçlar verildi ve o zamandan beri MIT ve Sydney Üniversitesi temsil edildi. Mobil robot haritalarının yapımını ve konumlandırılmasını inceleyen akademik çevrenin öncülleri, SLAM'ın teknik fizibilitesini tamamlayan ve mükemmelleştiren SLAM teknolojisi araştırmalarına resmen adadılar. SLAM teorisi 10 yıl önce önerilmiş olmasına rağmen, akademik çevreler genel olarak bu teori ile elde edilen harita tahmin hatasının yakınsak olmadığına inanıyorlardı, bu nedenle hem robot konumlandırmasını hem de karakteristik dönüm noktası konumunu içeren bir ortak durum tarafından işlenemiyordu. Sonucu almak için modeli çözün;
- 2011 yılı civarında, laboratuvara girdiğimde laboratuvardaki kardeşlerim drone görüş sisteminin konumlandırma ve tutum belirleme ve harita yapımını sistematik olarak incelemeye ve geliştirmeye başladıklarında Kinect 1 tarafından temsil edilen görüş sensörü SLAM araştırması alanındaki yükselişin başlangıcı, temel donanım temelinde SLAM'ın geliştirilmesi için bir temel oluşturdu. Tüm robot görme sisteminin geliştirme süreci açısından bakıldığında, herhangi bir anahtar teknolojinin uygulanması uzun bir teknoloji dönüştürme döngüsü gerektirir ve çığır açan ilerleme, temel bileşenlerin, bilgi işlem yongalarının veya sensörlerin desteğinden ayrı tutulamaz. Kanımca, 3B görüntü sensörlerinin yükselişi, SLAM'ın geliştirilmesi için çok önemli bir adım sağlıyor;
- Geçen yıldan bu yıla kadar bu yapay zeka dalgası dünya çapında. Elbette, açıkça görmemiz gereken şey, bu yapay zeka rönesans dalgasında, "yanlış önermeler" olarak adlandırılan birçok siyah teknoloji var, ancak derin öğrenmenin, gelişmiş öğrenmenin ve göç öğrenmenin temellerini de açıkça görmemiz gerekiyor. Cinsel veri eğitimi ve öğrenme yöntemlerinin dönüşümü, geçmişte fiili ticarileştirme ve ürünleştirme konusunda olgunlaşmadığını düşündüğümüz bir dizi sektöre yol açtı. İnsansız sürüş ve robotlar ve dronlar gibi VR / AR gibi. Neyse ki, mevcut en sıcak yapay zekaya dahil olan üç sektörde, hepimiz SLAM'in gölgesini gördük ve bu üç sektörde bu teknolojinin büyük değerini gördük.
Günümüzde insanlar tarafından çokça tartışılan ve üzerinde çalışılan vSLAM, basitçe günümüze kadar geliştirilen SLAM teknolojisinin mevcut temel teknoloji uygulaması ve donanımla birleştirilen bir tezahürüdür ve ürünleştirmeye en yakın olanıdır. Farklı uçların uygulama gereksinimlerine göre, iki kategoriye ayrılır: seyrek (seyrek) ve yoğun (yoğun). İlki, uzaydaki konumun algılanmasına ve tanımlanmasına odaklanır ve ikincisi, uzaydaki çevrenin inşası ve anlaşılmasına odaklanır, ancak hangisi olursa olsun Sınıf, temel yapı çerçevesi, veri işleme için ön uç ve arka uç olmak üzere iki kısma bölünmelidir. Ön uç, verilerin gerçek zamanlı özellik çıkarımını gerçekleştirmek, gürültüyü kaldırmak ve konum aktarım vektörünü elde etmek için çerçeve eşleştirmesi yapmak için kullanılır. Bu parça, tek başına hafif bir görsel konumlandırma ve tutum belirleme algoritması olarak kullanılabilir ve VO haline gelir. Yaygın optimizasyonlar arasında IMU atalet ölçüm birimi eklemeyi içerir Veriler hesaplanır, VIO olarak da adlandırılır. Arka uç, temel olarak filtreleme algoritmaları, grafik optimizasyonu, ağaç optimizasyonu ve ön uçtan elde edilen sonuçlarda kapalı döngü tespiti, döngü yineleme ve diğer ikincil optimizasyon yöntemlerini gerçekleştirmek ve son olarak optimum hesaplama sonucunu elde etmek için diğer yöntemler aracılığıyla küresel bir perspektiften oluşur.
SLAM algoritması için, birçok kişi SLAM algoritmasında ustalaşmanın robot hareketinin temel temel problemini çözdüğünü düşünüyor.Aslında durum böyle değil. Günümüzün yapay zeka robotlarının ve diğer alanların gelişiminde, SLAM giderek daha çok derin bir sinir ağı gibi, temel bir araç haline geldi. İyi performans gösteren bir SLAM çerçevesi, sağlam bir uzay hareket modeli ve uzay ortamı modeli elde etmemize yardımcı olabilir, ancak sadece robotun dünyayı görmesine izin verin ve robotun karar verme sürecini gerçekten yönlendiremez, bu yüzden böyle bir modeli kullanmamız gerekiyor. Spesifik ortamda, bir sonraki otonom navigasyon ve yol planlaması hedeflenen bir şekilde geliştirilecektir. VSLAM algoritmasına dayalı olarak, vSLAM ile hedeflenen bir şekilde birleştirilebilen, çevredeki robotun küresel yol planlaması ve yerel yol planlaması için sağlam, gerçek zamanlı karar verme yolu planlama ve navigasyon algoritması çerçevesi geliştirdik. Optimal hesaplama sonuçları, etkili çoklu sensör füzyonu ve ön uç işlemcilerin yerleşik entegrasyonu, böylece farklı karmaşık ortamlarda iyi performans sonuçları elde edebilir.
Bu noktada, son birkaç yılda yapay zeka araştırmasının her zaman yüz tanıma, anlambilimsel analiz vb. Dahil olmak üzere algılama algoritmalarının yinelemeli optimizasyonu üzerinde olduğunu hissediyorum. Daha yüksek test ve çalıştırma puanı sonuçları peşindeyiz, bunun yerine Böyle bir teknolojinin ticari ve endüstriyel alanlarda nasıl daha fazla değer üretmesi gerektiğini görmezden gelin. Bu nedenle, geçen yıl başlayan yapay zeka dalgasının, akademik camiayı yapay zeka araştırmalarını algıdan gerçek karar alma ve kullanıma kaydırmaya ittiğini de gördük. Örneğin bugün gördüğümüz VR / AR ekipmanları, sürücüsüz arabalar vb. Sektörün belirli bir bölümünde uygulanıyor Pratikte zor sorunlarla karşılaştık ve ardından altta yatan donanıma rehberlik edecek çözümler bulduk. Karar vermek. Bunun gerçek bir ilerleme olduğunu düşünüyorum Önümüzdeki birkaç yıl içinde, yapay zekanın en büyük büyüme noktası, insanların en uygun kararları vermelerine nasıl yardımcı olunacağı olmalıdır.
Robotlarda 3B vizyonun gelişme yönü
Bir robotun doğuşundan bu yana, vizyon işlevi onun temel işlevi ve zekaya giriş olmuştur.Üç boyutlu görüş, geçmişte mobil robotların "görünmez" lerini çözmek için son 10 yılda geliştirilen robotların ana akım ve standart konfigürasyonu haline gelmiştir. Bu sorun. Bununla birlikte, mevcut donanım geliştirmenin sınırlamaları nedeniyle, büyük miktarda hesaplama ve sınırlı kullanım ortamı gibi sorunlar devam etmektedir. Daha alt bölümlere ayrılmış uygulama senaryolarını hedefleyen minyatürleştirme, modülerleştirme ve ön uç 3B görüntü teknolojisinin tasarımı ve gerçekleştirilmesi, önümüzdeki iki ila üç yıl içinde endüstrinin ana geliştirme yönü olacak.
- minyatürleştirme: CCD ve CMOS çipli kameralardan tek boyutlu ve iki boyutlu lidarlara ve üç boyutlu görüntü sensörlerine kadar, veri miktarı artarken minyatürleştirilmiş hacim sistem entegrasyonuna daha elverişlidir;
- Modülerlik: Robot görüntü sisteminin işlevleri ve konumu giderek daha net hale geliyor, evrensel arayüzler ve standartlar yavaş yavaş oluşuyor ve endüstri net bir gelişim aşamasına giriyor;
- Başlangıç aşaması: GPU'lar, FPGA'lar ve DSP'ler gibi özel amaçlı işlemciler hızla gelişiyor ve genel amaçlı işlemcilerin hesaplama kaynağı gereksinimleri basitleştiriliyor ve etkileşimli işlevlerin gerçekleştirilmesine daha fazla önem verilecek.
Bu yolda, tüm robotik endüstrisi ortaya çıkıyor ve endüstri yapısı daha net hale geliyor. Endüstri zincirinin yukarı ve aşağı akışı olgunlaşmaya başladı. Sugan Technology'nin şu anda yaptığı şeyin, gelişimdeki kendi sürekli birikimi sayesinde gerçekten biriktirilebileceği umuluyor. , Gelişmekte olan robotik endüstrisinin ilerlemesini ve gelişimini gerçekten teşvik etmek. (Bu makale, Sugan Technology'nin kurucusu ve CEO'su Chen Zhen'in Titanium hakkındaki paylaşımına ve harmanlamasına dayanan özel olarak Titanium Media'da yayınlanmıştır)
Titan White "AI burada, makinenin dünyayı anlamasına izin verin" 28. sayısı, altı Titan'ın harika paylaşımı sona erdi ve kuru mallar birbiri ardına yayınlanacak:
2017'de harika paylaşım devam edecek!
Tavsiye, sponsorluk, işbirliği: Lütfen Titan White'dan sorumlu kişi olan Jiayinge ile jiayinge@tmtpost.com adresine e-posta göndererek iletişime geçin.
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
