Robot 4.0 çağı burada! Dört çekirdek teknoloji, büyük ölçekli ticari dağıtımı artırır
Şu anda, küresel robot pazarının ölçeği genişlemeye devam ediyor, endüstriyel robot pazarının büyüme oranı sabit ve hizmet robotlarının büyüme oranı olağanüstü. 2018 yılında küresel robot pazarı 29,82 milyar ABD dolarına ulaştı ve 2013'ten 2018'e ortalama büyüme oranı yaklaşık% 15,1 oldu. Ekipman üretimi alanında robotik kollar, güçlü yük taşıma kapasitesi ve hassas kavrama operasyonları ile çalışanların ellerini değiştirir; lojistik alanında, akıllı depolama robotları ve insansız araçlar ulaşım verimliliğini artırmaya devam eder; yaşam hizmetleri alanında, ev temizlik robotları Ve hizmet robotları birçok aile için özel dadı ve genç sekreter haline geliyor.
Bu akıllı dahili referans sayısında, Robot 4.0'ın geliştirilmesinin yanı sıra bulut-uç-uç entegre robot sistemi ve mimarisini kapsamlı bir şekilde açıklayan Intel'den bir rapor öneriyoruz. Bu makalenin raporunu (Robot 4.0 teknik raporu) toplamak istiyorsanız, Zhidongzhi'nin başlık numarasındaki "nc384" anahtar kelimesine cevap verebilirsiniz.
1. Bulut uç uca entegre robot 4.0 çağına doğru
1. Robotik geliştirmenin ana aşamalarının analizi
2017 yılında, China Academy of Information and Communications Technology, IDC International Data Group ve Intel tarafından ortaklaşa yayınlanan "The New Ecology of Robot 3.0 of Robot 3.0 in the Era of Information and Communications Technology", robotların geliştirme sürecini Robot 1.0, Robot 2.0 olarak üç döneme ayırdı. Robot 3.0.
Robot geliştirme aşamasının şematik diyagramı
Robot 1.0 (1960-2000), robotların dış çevre algısı yoktur ve sadece insan öğretimi eylemlerini yeniden üretebilir, mekanik tekrarlayan el işçiliği yapmak için imalat sektöründeki işçilerin yerini alabilir.
Robot 2.0 (2000-2015), robotların duyusal yeteneklerini oluşturmak ve bazı insan işlevlerini simüle etmek için sensörlerin ve dijital teknolojinin uygulanması yoluyla, yalnızca endüstriyel alanda robotların olgun uygulamalarını teşvik etmekle kalmaz, aynı zamanda uygulamayı yavaş yavaş ticari alana genişletmeye başlar.
Robot 3.0 (2015-), algılama, hesaplama ve kontrol gibi teknolojilerin yinelemeli yükseltilmesi ve görüntü tanıma, doğal konuşma işleme ve robotik alanında derin bilişsel öğrenme gibi yeni dijital teknolojilerin derinlemesine uygulanmasıyla birlikte, robotik alanındaki hizmet trendi giderek daha belirgin hale geldi. , Yavaş yavaş toplumsal üretimin ve yaşamın her köşesine nüfuz etti. Robot 3.0, Robot 2.0 temelinde, algıdan biliş, muhakeme ve karar vermeye kadar akıllı ilerlemeyi gerçekleştirir.
2. Uygulama alanı analizi
Şu anda, küresel robot pazarının ölçeği genişlemeye devam ediyor, endüstriyel robot pazarının büyüme oranı sabit ve hizmet robotlarının büyüme oranı olağanüstü. 2018 yılında küresel robot pazarı 29,82 milyar ABD dolarına ulaştı ve 2013'ten 2018'e ortalama büyüme oranı yaklaşık% 15,1 oldu. Ekipman üretimi alanında robotik kollar, güçlü yük taşıma kapasitesi ve hassas kavrama operasyonları ile çalışanların ellerini değiştirir; lojistik alanında, akıllı depolama robotları ve insansız araçlar ulaşım verimliliğini artırmaya devam eder; yaşam hizmetleri alanında, ev temizlik robotları Ve hizmet robotları birçok aile için özel dadı ve genç sekreter haline geliyor.
Endüstriyel üretim saha analizi. Günümüzde, endüstriyel robotlar otomobil, metal ürünler, elektronik, kauçuk ve plastik gibi sektörlerde yaygın olarak kullanılmaktadır. Performansın sürekli iyileştirilmesi ve çeşitli uygulama senaryolarının sürekli netliği ile, endüstriyel robotların pazar büyüklüğü 2013 yılından bu yana yıllık ortalama% 12,1 oranında hızla büyüyor ve 2020 yılına kadar 23 milyar ABD doları satışa ulaşması bekleniyor. İşgücü maliyetlerinin artmasıyla, endüstriyel üretim alanındaki uygulama beklentileri iyidir ve hızlı bir büyüme ivmesini sürdürecektir. Aynı zamanda, endüstriyel robotların daha yüksek esnekliğe, daha güçlü otonom engellerden kaçınma ve hızlı konfigürasyon yeteneklerine sahip olması ve genel ürünün kullanım kolaylığını ve istikrarını iyileştirmesi gerekir.
Tüketici hizmetlerinin analizi. Servis robotlarının genel satışları endüstriyel robotlardan daha düşük olmasına rağmen, son yıllarda yüksek bir yıllık büyüme oranını korumuştur.Alışveriş merkezleri, bankalar, oteller ve havalimanları gibi daha fazla uygulama senaryosunda ticari hizmet robotları, esas olarak rehberlik sağlamak üzere konuşlandırılmıştır. Görüntüleme, sorgulama ve teslimat gibi temel hizmetler. Aynı zamanda, ev hizmeti robotları sessizce binlerce haneye girdi ve ev hizmeti robotlarının satışlarının ana payını süpürme robotlarının satışları oluşturdu ve ev işi robotlarının lider kategorisi haline geldi. Ana gövde yeteneklerinin eksikliği, gizlilik ve güvenlik sorunları nedeniyle, evdeki uşak robotlarının ve yardımcı robotların pazara giriş oranı düşüktür. 2013 yılından bu yana küresel hizmet robotu pazarı yıllık ortalama% 23,5 oranında büyümüş olup, 2020 yılında hızla 15,69 milyar ABD Dolarına çıkması beklenmektedir.
Tüm teknolojik gelişme ve pazar ortamı perspektifinden bakıldığında, robotik endüstrisi aşağıdaki gelişme hamlelerine sahiptir: 1. Olgun ekosistem; 2. Yaşlanan nüfus ve gelişmekte olan pazarlar eğilimi; 3. Daha akıllı ürünlerin birbirine bağlanması ve akıllı evlerin inşası; 4. Yapay zeka ve doğal dil anlama yeteneklerinin geliştirilmesi.
3. Robot 4.0'ın tanımı ve geliştirme fırsatları
Robot 3.0'ın 2020'de tamamlanması bekleniyor. Bundan sonra robotlar 4.0 çağına girecek.Bulut beyinleri buluttan uca dağıtılacak, daha uygun maliyetli hizmetler sunmak için uç bilişimden tam anlamıyla yararlanılacak ve tamamlanacak görevlerin bellek sahneleri hatırlanacak. Büyük ölçekli dağıtım elde etmek için iyi bilgi ve sağduyu kombinasyonu. Akıllı işbirliğine ulaşma algısı yeteneğine ek olarak, robotlar aynı zamanda otonom hizmetleri elde etmek için anlama ve karar verme yeteneğine de sahiptir. Belirli belirsiz durumlarda, onu geliştirmek veya bazı karar verme yardımı yapmak için uzaktaki bir kişiyi çağırması gerekir, ancak görevi özerk olarak% 90, hatta vakaların% 95'inde tamamlayabilir.
Bu hedefe ulaşmak için öncelikle yapay zeka ve 5G teknolojisinin kullanılması gerekiyor. Robotun vücut algılama yeteneğini geliştirmek için yapay zeka teknolojisini kullanırken, kişiselleştirilmiş doğal etkileşim yeteneğini de geliştiriyor. 5G teknolojisi ile, terminalden erişim ağına kadar geçen süre büyük ölçüde kısaltılır ve bant genişliği büyük ölçüde artar.Robotların büyük ölçekli dağıtımına yardımcı olmak için bulut beyninin bir miktar genişletilmesi dahil olmak üzere daha fazla bilgi işlem gücü eklemek için birçok şey kenara yerleştirilebilir.
Robotların sıçrama gelişimini gerçekleştirin
İnternet benzeri üç seviyeli roket geliştirme modeli, ilk aşama-anahtar senaryoları, dikey uygulamayı kavrar, senaryoların, görevlerin ve yeteneklerin eşleşmesini iyileştirir, temel uygulama senaryolarında robotun yeteneğini geliştirir ve kullanıcı tabanını genişletir; ikinci aşama-manuel geliştirme , Robotların yeteneklerinin kullanıcı beklentilerini karşılayabilmesi için sürekli öğrenme ve sahne uyarlama yetenekleri ekleyerek, hizmet yeteneklerini genişleterek, insan kaynaklarının bir kısmını değiştirerek ve kademeli olarak insan değişimini gerçekleştirerek; bulut-uç-uç entegrasyon yoluyla üçüncü aşama ölçeği Firmanın robot sistemi ve mimarisi, robotun milyonlar ve on milyonlar düzeyine ulaşmasını sağlayarak fiyat maliyetlerini düşürmekte ve büyük ölçekli ticari kullanım elde etmektedir.
2. Bulut-uç teknolojisi, robot yapısı yeniliğini destekler
1. Bulut beyin, robotların yeteneklerini geliştirir
2010'da önerilen bulut robotları kavramı, bulut beyinlerini tanıttı.Robotlar, altyapı ve paylaşım hizmetlerini entegre eden robotların avantajlarını elde etmek için bulut bilişim, bulut depolama ve diğer bulut teknolojilerini tanıtmaya çalıştı. Bağımsız bir robot gövdesi ile karşılaştırıldığında, bulut beynine bağlı robot aşağıdaki dört temel avantaja sahiptir.
1, Bilgi ve bilgi paylaşımı : Bir bulut beyin birçok robotu kontrol edebilir.Bulut beyin, tüm bağlı robotlardan görsel, sesli ve çevresel bilgiler toplayabilir.Bulut beyin tarafından akıllı analiz ve işlendikten sonra veri bilgileri, bağlı tüm robotlar tarafından kullanılabilir. Bulut sunucusu kullanılarak, her bir robot gövdesi tarafından elde edilen ve işlenen bilgiler güncel tutulabilir ve güvenli bir şekilde yedeklenebilir.
2, Hesaplama yükünü dengeleyin : Bazı robot işlevleri daha yüksek bilgi işlem gücü gerektirir. Hesaplama yükünü dengelemek için bulutun kullanılması, robot gövdesinin donanım gereksinimlerini azaltabilir ve robotun yeteneklerini korurken daha hafif, daha küçük ve daha ucuz olmasını sağlayabilir.
3. İşbirliği : Bulut beyin sayesinde, robot gövdesi artık bağımsız olarak çalışmaz ve birden çok robot birlikte çalışabilir, örneğin, ürünleri birlikte hareket ettirebilir ve bir dizi iş sürecini tamamlamak için işbirliği yapabilir.
4. Ontolojiden Bağımsız Sürekli Yükseltme : Bulut beyninin yardımıyla robot, ana gövdeden bağımsız olarak sürekli olarak yükseltilebilir ve artık ana gövde donanım ekipmanına bağlı değildir.
2. Edge computing robotik hizmetleri iyileştiriyor
IoT uygulamalarının hızlı gelişimi, ağın kenarında büyük miktarda verinin üretilmesine neden oldu ve bu da uç hesaplamanın üretilmesini ve geliştirilmesini teşvik etti. Edge bilişim önerisi 4G çağında başladı. Bilgi işlem ve depolama kaynaklarını ağın ucuna dağıtmak yalnızca çekirdek ağ ve İnternet üzerindeki trafiği azaltmakla kalmaz, aynı zamanda iletim gecikmesini önemli ölçüde azaltır ve ağ güvenilirliğini artırır.
Düşük gecikmeli hizmetler, terminallerden, mobil hücresel ağlardan (erişim ağları ve çekirdek ağlar), İnternet ve veri merkezlerinden uçtan uca koruma gerektirir. Mevcut test sonuçları, 5G cep telefonları ve baz istasyonları arasındaki veri yolu gecikmesinin 4 milisaniyeye ulaşabileceğini göstermektedir.URLLC modunda, cep telefonları ile baz istasyonları arasındaki gecikme, 4G'nin 20 milisaniyesinin yaklaşık 20 katı olan 1 milisaniyenin altına ulaşabilir. İnternet ve veri merkezinin gecikmesi için, genellikle geniş coğrafi dağıtım ve düşük gecikme için optimize edilmemesi nedeniyle, çekirdek ağ geçidinden İnternet veri merkezine kadar onlarca ila yüzlerce milisaniye arasında olabilir. 5G'de çekirdek ağ, dağıtılmış bir ağ geçidi sunar, ağ geçidi baz istasyonunun yakınında batabilir ve uç sunucu doğrudan dağıtılmış ağ geçidine bağlanabilir, bu da ağın uçtan uca gecikmesini büyük ölçüde azaltır.
Uç bilişimin tanıtımı, sınırlı terminal yetenekleri ve bulut bilişimin gerçek zamanlı yanıtı sorununu çözecek ve robotun bulut beyninin gerçek zamanlı yanıt yeteneğini geliştirecektir.Gerçek zamanlı muhakeme, sahne anlama, manipülasyon vb. Gibi Robot 4.0 gereksinimlerini karşılamak çok önemlidir. Uç bilişim ve bulut bilişimin birleşimi, uçbirim hesaplama gücü ve depolama sınırlamalarını aşacak ve yapay zeka algoritmalarının doğruluğu iyileştirme ve eğitim süresini azaltma gibi eğitim ve muhakeme yeteneklerini geliştirecek. Aynı zamanda, robotun zekasının çoğu uçta ve bulutta konuşlandırılır.İşbirliği ve sürekli eğitim yoluyla robot zekası sürekli olarak geliştirilir.Örneğin, uç bilişim gerçek zamanlı çok makineli işbirliğini daha iyi destekleyebilir, gerçek zamanlı bilgi haritası çıkarmayı destekleyebilir, Anlayın ve kararlar alın ve robotun zekasını sürekli olarak geliştirin. Edge computing ve bulut bilişim ayrıca robot terminalini yükseltme ve bakımını yapma, robot gövdesinin yaşam döngüsü boyunca sürekli yükseltme, robotun yeteneklerini geliştirme, veri güvenliğini ve gizlilik korumasını geliştirme ve Moore Yasasının getirdiği performans iyileştirmeden tam olarak yararlanma zorluğunu da çözebilir.
3. Bulut-uç-uç entegrasyonu, robot sistemini destekler
Bulut-uç-uç entegrasyonu, robotlar aracılığıyla çeşitlendirilmiş hizmetler sağlayan büyük ölçekli bir işletim platformu oluşturdu. Bunların arasında, hizmet robotu ontolojisi hizmetin uygulayıcısıdır ve gerçek işlevler, hizmetin ihtiyaçlarına göre terminal hesaplama (robot ontolojisi), uç hesaplama ve bulut bilişim arasında sorunsuz bir şekilde dağıtılır ve koordine edilir. Robot sistemleri günümüzde akıllı telefonlardaki çeşitli APP'lere benziyor ve uygun maliyetli çok modlu algılama füzyonu, uyarlanabilir etkileşim ve gerçek zamanlı güvenli bilgi işlemin nasıl sağlanacağına odaklanıyor.
Multimodal algı füzyonu : Robotun hareketini, engellerden kaçınmasını, etkileşimini ve çalışmasını desteklemek için robot sistemi çeşitli sensörlerle (kameralar, mikrofon dizileri, lidar, ultrason vb.) Donatılmalıdır. Aynı zamanda ortamdaki sensörler robotun fiziksel alan sınırlamalarını tamamlayabilir. Çoğu verinin zaman senkronizasyonu öncülü altında işlenmesi gerekir ve farklı karmaşıklıktaki algoritma modülleri (SLAM, görüntü işleme, kişilerin ve nesnelerin tanınması vb.) Robot donanım sistemleri ve uç bilgi işlem, çoklu sensör veri senkronizasyonunu ve hesaplama hızlandırmayı (muhtemelen birden fazla robottan) desteklemek için işbirliği yapmalıdır. Bu nedenle, CPU, FPGA ve DSA'yı (Etki Alanına Özgü Hızlandırıcı) esnek bir şekilde birleştirebilen heterojen bir hesaplama platformu kullanılmalıdır. Algılama görevlerinin güçlü gerçek zamanlı gereksinimleri olmayan diğer kısmı (insan davranışı tanıma, sahne tanıma vb.) Bulut bilişim tarafından desteklenebilir.
Uyarlanabilir etkileşim : Robotun kişiselleştirilmiş hizmetini ve sürekli öğrenme yeteneğini desteklemek için, çevreyi ve insanları tam olarak anlamak için algılama modülünün çıktısının bilgi haritası ile birleştirilmesi, hizmet senaryoları ve bireyler ile ilgili kişiselleştirilmiş bilgilerin kademeli olarak çıkarılması ve biriktirilmesi gerekmektedir. Genel bilgi ve daha az değişen alan bilgisi bulutta saklanmalı, coğrafi ve kişiselleştirilmiş hizmetlerle ilgili bilgiler uçta veya terminalde depolanmalıdır. Bilginin nerede saklandığına bakılmaksızın, robot sisteminde birleşik bir arama arabirimi bulunmalıdır ve gerçek zamanlı iletişim garanti edilebilir. ROS2'ye dayalı olarak, gelecekteki ihtiyaçları karşılamak için terminal ve ağ taraflarını kapsayan bir yazılım sistemi çerçevesi inşa edilebilir.
Gerçek zamanlı güvenli bilgi işlem : Gelecekte, hizmet robotu uygulamaları gerçek zamanlı yanıt gerektiren çok sayıda duruma (ses etkileşimi, işbirliğine dayalı çalışma, vb.) Sahip olacak, bu nedenle ilgili hızlandırma donanımının uç sunucularda kullanılması gerekiyor. Robot aynı zamanda kullanıcı gizliliğiyle ilgili büyük miktarda veriyi de (videolar, resimler, konuşmalar vb.) İşleyecektir. Bulut tarafı entegre mimarinin, özel veriler için güvenli bir aktarım ve depolama mekanizması oluşturması ve fiziksel kapsamı sınırlaması gerekir. Fiziksel işlemleri gerçekleştirebilen robotlar için, robot sistemi uzaktan bir saldırı ile ele geçirilse bile fiziksel güvenlik hasarına neden olmayacağından emin olmak için bağımsız bir güvenlik izleme mekanizması inşa edilmelidir.
3. Robot 4.0'ın Temel Teknolojisi
Robot 3.0 çağında, hizmet robotları bazı nesne tanıma ve yüz tanıma gerçekleştirebilir. 4.0 çağında, uyarlanabilir yeteneklerin eklenmesi gerekir. Nesne tanıma ve yüz tanıma için derin öğrenmenin kullanılması çok fazla veri kaynağı gerektirdiğinden, ancak ev sahneleri söz konusu olduğunda çok fazla veri yoktur.Bu, robotların tanıma yetenekleri oluşturmak ve kendi başlarına farklı pozisyonlar bulmak için az miktarda veri kullanmasını gerektirir. Farklı açılardan eğitim yapın.
Robot 4.0'ın yapması gerekenler bunlar. İlk olarak, üç boyutlu ortamın anlamını anlayın. Ne olduğunu bilmek temelinde gördüğünüz bilgileri bilgiye dönüştürün, depolamayı daha makul ve aranabilir, sorgulanabilir hale getirin ve İlişkilendirme de çıkarılabilir. Uygulama katmanı, bu bilgi ve gözlemlere dayalı olarak sahneler için akıllı hatırlatıcılar yapabilir, öğeleri bulabilir ve davranış tespiti yapabilir. Örneğin, yaşlı adam dışarı çıkıyorsa, robotun bilgi tabanı ona bugün yağmur yağacağını söyler, ancak yaşlı adamın şemsiye taşımadığını algılar ve ardından şemsiyenin konumunu sorgular ve robot şemsiyeyi yaşlı adama teslim edebilir. Bu, iç bilgi ve dış koşulları birleştirerek alınan bir karardır.
Bilgi grafikleri tüm akademik ve endüstriyel çevrelerde giderek daha fazla ilgi görmektedir. Turing Ödülü'nü kazanan Profesör Jeff Hinton, Google'a katıldığında dünya için bir bilgi grafiği oluşturmak istediğini söyledi. Alibaba Araştırma Enstitüsü, 2019'un ilk on teknoloji trendinde bilgi grafiklerinin öneminden de özellikle bahsetti. Yapay zekanın bir sonraki aşamaya geçmesinin tek yolu bu ve aynı zamanda bir zorunluluktur.
Özetle, Robot 4.0, bulut-uç-uç sorunsuz işbirliğine dayalı bilgi işlem, sürekli öğrenme, işbirliğine dayalı öğrenme, bilgi grafiği, sahne uyarlaması ve veri güvenliği dahil olmak üzere temel olarak aşağıdaki temel teknolojilere sahiptir.
Robot 4.0 çağında yükseltme yeteneği
1. Bulut uçta sorunsuz işbirliğine dayalı bilgi işlem
Ağ bant genişliği ve gecikmesinin kısıtlamalarına tabi olarak, mevcut robot 3.0 sistemlerinin çoğu, robot gövdesi hesaplamasına ve sistem mimarisi tarafından desteklenen gerçek zamanlı olmayan, büyük ölçekli bulut işleme görevlerine dayanmaktadır. Robotun ana görevleri basitçe üç bölüme ayrılabilir: algılama, akıl yürütme ve yürütme. İnsan-bilgisayar etkileşimine hizmet edecek ortamı doğru bir şekilde algılamak ve anlamak için, robot sistemi genellikle çok sayıda sensörü entegre eder, böylece robot sistemi büyük miktarda veri üretir. Örneğin, yüksek çözünürlüklü kameralar, derinlik kameraları, mikrofon dizileri ve lidar sensörleri kullanan robotlar saniyede 250 MB'tan fazla veri üretebilir. Bu kadar büyük miktarda veriyi işlenmek üzere buluta iletmek ne gerçekçi ne de verimli. Bu nedenle, veri işlemenin bulut uçta makul bir şekilde dağıtılması gerekir.
Öte yandan, algılama ve anlamayı tamamlayan AI algoritması da oldukça karmaşıktır. Robotlar tarafından kullanılan AI algoritmaları genellikle güçlü hesaplama gücü gerektirir.Örneğin, Daha Hızlı RCNN algoritması GPU'da 5 fps işlem gücüne ulaşabilir, ancak GPU'nun güç tüketimi 200W'ı aşıyor, bu da robot gövdesinin dayanması zor ve hesaplama maliyeti de aynı. çok pahalı. Robot vücut hesaplama platformunun hesaplama gücü hala gelişiyor olsa da, AI algoritmalarına olan talep hala sınırlıdır. Robotların bilgi işlem gereksinimlerini karşılamak için, büyük ölçekli robot uygulama senaryolarında daha etkili ve ekonomik bilgi işlem gücü dağıtımı elde etmek için bulut ve uç tarafta bilgi işlem gücü desteği sağlamak gerekir.
5G'nin konuşlandırılması ve uç hesaplamanın kullanılmasıyla, robotun sonundan baz istasyonuna kadar olan gecikme milisaniye düzeyine ulaşabilir, böylece 5G ağ kenarı, robotun gerçek zamanlı uygulamasını iyi bir şekilde destekleyebilir. Aynı zamanda uç sunucu, robotun ürettiği verileri ağın ucunda ve robota çok yakın bir yerde işleyerek bulut işlemeye olan bağımlılığı azaltır ve verimli bir veri işleme mimarisi oluşturur.
Bulut uçlu entegre robotik sistem, büyük ölçekli robotlar için bir hizmet platformudur.Bilgi işleme ve bilgi üretimi ve uygulamasının da bulut uçta dağıtılması ve koordine edilmesi gerekir. Örneğin, tüm bağlı robotlardan gelen görsel, sesli ve çevresel bilgiler toplanır, analiz edilir veya yeniden yapılandırılır ve ardından tüm bağlı robotlar tarafından uygulanır.
Bu nedenle, normal koşullar altında, bulut tarafı yüksek performanslı bilgi işlem ve genel bilgi depolaması sağlayabilir ve kenar tarafı verileri daha etkili bir şekilde işleyebilir, bilgi işlem gücü desteği sağlayabilir ve uç aralığında işbirliği ve paylaşım sağlayabilir ve robot terminali gerçek zamanlı olarak tamamlayabilir Çalıştırma ve işleme gibi temel robot işlevleri. Bununla birlikte, robotların çeşitli iş ihtiyaçları nedeniyle, işbirliğine dayalı bilgi işlemin dağıtımı statik değildir.Robot 4.0 sistemi, bulutu gerçekleştirmek için iş gereksinimlerine bağlı olarak farklı görevleri bulut tarafına makul bir şekilde taşıyabilen dinamik bir görev taşıma mekanizmasını da desteklemelidir. - Uçtan uca sorunsuz işbirliğine dayalı bilgi işlem.
2. Sürekli öğrenme ve işbirliğine dayalı öğrenme
Makine öğrenimi açısından, Robot 3.0 esas olarak büyük miktarda veriye dayalı bir denetimli öğrenme yöntemi kullanır ki bu aynı zamanda şu anda makine öğreniminin ana yöntemi olan ve Robot 4.0'da robotu uyarlanabilir hale getirmek için sürekli öğrenme ve işbirliğine dayalı öğrenme yeteneklerine de ihtiyaç vardır. Daha karmaşık uygulama senaryoları.
3.0 çağında, hizmet robotları bazı temel nesne tanıma ve yüz tanıma işlemleri yapabilir, ancak robot uygulamaları yüksek hassasiyette algılama tanıma gerektirdiğinden, bu yöntemler diğer daha az zorlu alanlardaki uygulama gereksinimlerini zaten karşılayabilir ( Örneğin,% 80 oranında doğru bir İnternet araması yeterlidir), ancak robot uygulamaları için yeterli olmaktan uzaktır. Birincisi, makine öğreniminin doğasında olan sağlamlıktır. Derin öğrenme yöntemleri hatalara karşı bağışık değildir. Tanıma sonuçları yanlış olabilir ve sistem başarısız olduğunda bunun yanlış olduğunu bilmez, bu da hizmet arızasına ve kafa karışıklığına neden olabilir.
Örneğin, bir insanın A'yı alması için bir robota ihtiyacı vardır, ancak robot bir şaka olan B'yi alır, bu da kullanıcıya tatminsizlik ve kullanıcıya ciddi zararlar verir (örneğin yanlış ilacı almak gibi). Sağlamlık sorunu, mevcut tüm makine öğrenimi yöntemlerinin ortak bir sorunudur, çünkü eğitim verilerinde her zaman doğru bir şekilde tanımlanamayan uzun kuyruk verileri vardır.Bu sorunu, ürünleri dağıtmadan önce mevcut denetimli öğrenme yöntemleriyle çözmek zordur. İkincisi, gerçek uygulamalarda da sık karşılaşılan bir durum olan yetersiz verilerdir.Örneğin, insan vücudu özelliklerinin tanımlanması için büyük miktarda veri (farklı vücut pozları ve açılarının yüzlerce fotoğrafı) gereklidir ve bu veriler önceden kullanılamaz. elde edin. Özetle, bu iki konu doğrudan veri eksikliği ile ilgilidir.
Bu sorunları çözmek için robotların özerk ve sürekli öğrenme yeteneklerine sahip olması gerekir. Spesifik olarak, robot, temel tanıma yeteneklerini oluşturmak için önce az miktarda veriyi kullanabilir ve ardından otonom olarak daha uygun verileri bulabilir ve otomatik olarak etiketleyebilir (veya etiketi almak için insanlarla etkileşimde bulunmak gibi diğer yöntemleri kullanabilir, ancak buna mümkün olduğunca dikkat edin. Kullanıcılara olan kesintiyi azaltın). Performansı iyileştirmek için mevcut tanıma modelini yeniden eğitmek için bu yeni verileri kullanın Bu süreç devam ederken, robot tanıma performansını sürekli olarak iyileştirebilir. Özellikle nesne tanımayı ele alan robot, önce az miktarda veriyle nesnenin temel tanıma yeteneğini kurmalı ve daha sonra kendi kendine farklı konumlar bulmalı ve bu nesnenin tanıma doğruluğunu sürekli olarak iyileştirmek için farklı açılardan eğitim almalıdır. Sürekli öğrenmenin ardından% 100'e yaklaşır,
Pratik uygulamalarda, bir robotun erişebileceği veriler sınırlıdır ve sürekli öğrenme hızı sınırlı olabilir. Robot 4.0, bulut-uç-uç bir füzyon sistemidir.Eğer veriler, modeller, bilgi tabanları vb. Robotlar arasında veya robotlar ve diğer ajanlar arasında bu sistem üzerinden paylaşılabiliyorsa, sözde işbirliğine dayalı öğrenme gerçekleştirilebilir. Bir bulut simülatörü aracılığıyla sanal ortamda işbirliğine dayalı öğrenme, bulutun büyük ölçekli paralel işleme yeteneklerinden ve büyük veri işleme yeteneklerinden tam olarak yararlanabilen etkili bir yöntemdir. İşbirliğine dayalı öğrenme, robotun sürekli öğrenme yeteneğini daha da geliştirerek öğrenmenin hızını ve doğruluğunu daha da artırabilir.
3. Bilgi Grafiği
Bilgi grafikleri, özellikle ansiklopedi bilgi grafikleri olmak üzere internet ve sesli asistanlarda yaygın olarak kullanılmaya başlanmıştır. Robotlar ayrıca uygulama senaryolarını yanıtlayan ansiklopedik bilgi sorusuna sahiptir ve bu tür bilgi grafikleri doğrudan uygulanabilir. Ancak, ansiklopedi bilgisinin olağan bilgi grafiğinden farklı olarak, robot uygulamasının bilgi grafiğinin bazı farklı gereksinimleri vardır:
1. Dinamik ve kişiselleştirilmiş bilgiye ihtiyacınız var . Robotların, daha iyi hizmet verebilmek için çoğu zaman çevrelerini ve insanları daha derin bir anlayışa sahip olması gerekir ve yalnızca mevcut durumu değil, aynı zamanda geçmişte meydana gelen bazı durumların kayıtlarını da (örneğin, yaşlıların genellikle ne zaman kalktığını anlamak için, Nesne genellikle nereye yerleştirilir). Bu nedenle robotun, ortamdaki farklı zaman ve olaylardaki insanlar ve şeyler gibi ilgili bilgileri önceden genel bilgi grafiği ile sağlanamayan ve ortamda elde edilmesi gereken bilgileri kaydetmesi gerekir. Bu dinamik kişiselleştirilmiş bilgiler, insanlara kişiselleştirilmiş hizmetler sağlayabilir. Örneğin, bir kullanıcıyı gözlemleyerek, robot kullanıcının bazı tercihlerini veya bazı davranış kalıplarını gözlemleyebilir ve bu bilgiler kullanıcıya daha fazla bilgi sağlamaya yardımcı olabilir. İyi hizmet.
2. Bilgi grafiğinin algılama ve karar verme ile yakından bütünleştirilmesi ve daha gelişmiş sürekli öğrenme yeteneklerinin elde edilmesine yardımcı olması gerekir. . Yapay zeka geliştirme geçmişinden, yapay zeka problemini tek bir yöntemle tamamen çözmek zordur.Önceki girişte ayrıca, hem sembolik hem de istatistiksel yöntemlerde darboğazların ortaya çıktığından ve şu anda bu darboğazları çözmek için tek bir yöntem bulunmadığından bahsetmiştir. sorun. Minsky'nin analizine göre, gelecekte birden çok yöntemi birleştiren bir AI sistemine ihtiyaç var. Son yıllardaki araştırma ilerlemesine bakılırsa, bu aynı zamanda gelecekte yapay zeka konusunda daha fazla atılım yapmanın tek yolu. Bu nedenle, temelde bağımsız olarak işleyen bilgi grafikleri ve bilgisayar görüşü gibi önceki istatistiksel yöntemlerin aksine, bilgi grafikleri algısal karar verme ile daha derin ve organik olarak birleştirilmelidir.
Özellikle, bilgi grafiğindeki bilgiler algıdan elde edilir.Temel algı ve sahne anlayışı ile elde edilen bilgiler bilgi grafiğinde saklanabilir ve daha sonra bilgi daha fazla modellenebilir (zamansal ve mekansal ilişkili örüntüler gibi). ) Üst düzey bilgi edinmek. Bilgi grafiğiyle ilgili bazı bilgiler, uyarlanabilir algılama algoritmasını gerçekleştirmek için sürekli öğrenme için algı algoritmasını sağlamak üzere çevresel bağlam bilgisi olarak kullanılabilir. Bir anlamda, bu artık geleneksel anlamda tamamen sembolik bir bilgi haritası değil, melez bir bilgi haritası, yani sembolik ve istatistiksel yöntemleri birleştiren bir bilgi haritasıdır. Bu aynı zamanda gelecekte büyük atılım potansiyeli olan bir yöndür.
Bulut-uç-uç füzyon ihtiyacı nedeniyle, bilgi haritası sırasıyla robot tarafında, kenar tarafında ve bulut tarafında depolanacak ve arayüz, sistem tarafından bilgi haritasının birleşik çağrısını kolaylaştırmak için birleşik bir arayüz benimseyebilir. İşbirliğine dayalı öğrenme ve gerçek zamanlı işleme ihtiyacı nedeniyle, bilgi ve diğer ilgili bilgiler (veriler, modeller vb. Gibi) bulut tarafı ve uç tarafı üzerinden de paylaşılabilir ve belirli bir miktarda yedek yedekleme, daha yüksek gerçek zamanlı performans sağlayabilir. Bu, bilgisayar mimarisindeki önbellek mekanizmasına (Önbellek) benzerdir.Örneğin, bulutta depolanan bilginin bir kısmı genellikle denir ve erişim hızını artırmak için kenara veya robota önbelleğe alınabilir. 5G ağı altında, gecikmenin kendisi büyük bir sorun değildir. Asıl düşünce, genel kaynakların en iyi şekilde kullanılmasını sağlamak için kenarın ve robotun bilgi işlem gücünü daha iyi kullanmaktır.
4. Sahne uyarlaması
Sürekli öğrenme ve bilgi haritası ile sistemin algı sağlamlığı büyük ölçüde iyileştirilir ve sahne analizinde de zengin bilgiler elde edilir ve robotun mevcut sahneye göre karşılık gelen eylemleri gerçekleştirmesini sağlayan bilgi haritasında saklanır.
Sahneye uyarlanabilir teknoloji esas olarak sahnenin üç boyutlu anlamsal anlayışını kullanır, olay yerindeki insan ve şeylerin değişimlerini aktif olarak gözlemler ve olası olayları tahmin ederek sahnenin gelişimi ile ilgili eylem önerileri üretir. Örneğin yaşlı bakımı / yaşlı yardımı uygulamasında yaşlı adam bir kase çorba ile buzdolabına doğru yürür Robot, geçmiş deneyim veya bilgilere dayanarak yaşlı adamın buzdolabına bir şeyler koymak için buzdolabını açacağını tahmin edebilir. Başka bir örnek olarak, robot yerde bir kabuk parçası görür ve yaşlıların düşmesine neden olabileceğini tahmin eder.Bu sırada robot kabuğu aktif olarak alabilir (robot kol kontrolü ile donatıldığında) veya kabuğun yanında durup yaşlıları uyarabilir.
Bu bölümün anahtar teknolojisi sahne tahmin yeteneğidir. Sahne tahmini, olay yerindeki insanların, nesnelerin, davranışların vb. Uzun süreli gözlemi yoluyla bazı kişisel tercihleri veya davranış kalıplarını, ilgili bilgi ve istatistiksel modellerle birleştirerek özetlemek ve mevcut sahnede meydana gelecek olayları buna göre tahmin etmektir. Geçmişte yapay zeka sembolik yönteminde, çerçeve ve senaryo temsili burada bilgi ifade biçimi olarak kullanılabilir ancak daha da önemlisi, geçmişte sembolik yöntemle çözülemeyen sorunları (öğrenme eksikliği gibi) çözmek için sembolik yöntem ile istatistiksel yöntemin birleştirilmesi gerekir. kabiliyet). Araştırmanın bu kısmı hala nispeten erken bir aşamadadır, ancak sürekli öğrenme ve bilgi grafikleri gibi teknolojilerin tam entegrasyonuna dayanarak, önümüzdeki birkaç yıl içinde bu yönde daha büyük atılımlar olacağına inanılıyor. Son olarak, tüm robotun kapalı döngü sistemi, yani algı-biliş-eylem, daha akıllı ve insancıl hale gelir.
Bulut entegrasyonu burada özellikle bilgi paylaşımı açısından çok önemli bir rol oynuyor. Örneğin meyve kabukları örneğinde bu mod çok fazla gerçekleşmeyebilir.Tek bir robot durumunda bu durum daha önce hiç görülmemiş olabilir ve tehlikeli olduğunu bilmek imkansızdır. Bulut-uç-uç entegrasyonu sayesinde, bir robot bu tehlikeli durumun ortaya çıktığını gördüğü sürece, bilgiyi tüm robotlarla paylaşabilir ve tüm robotlar bu tehlikeli durumları tahmin edebilir. Gerçek fiziksel dünyada gözlemlemeye ek olarak, yaşamda neler olabileceğini önizlemek için bulutta büyük ölçekli simülasyonlar kullanmak, daha fazla olay modeli elde etmek için başka bir etkili yöntem olabilir.
Dördüncü olarak, bulut beyin
Robotun insan benzeri algı ve biliş, insan benzeri eylem davranışı ve insana benzer doğal etkileşim yeteneği dahil olmak üzere genel zekaya sahip olması ve aynı zamanda robotun güvenliğini en üst düzeye çıkarması için insan benzeri "beyin" akıllı bir vücut inşa etmek gerekir. . Şu anda, robot gövdesinin bilgi işlem gücü sınırlıdır ve akıllı robotun gerektirdiği yetenekler, sonsuz şekilde genişletilebilir bulut bilgi işlem gücü aracılığıyla sağlanmalıdır. Robotun "sinir ağı", kablosuz 5G iletişim ağı ve güvenli ve yüksek hızlı bir omurga ağı aracılığıyla oluşturulur ve robot gövdesi ile bulut beyin arasındaki bağlantıyı gerçekleştirir. Bulut beyin, robot görme sistemi, diyalog sistemi, hareket zekası ve aşırı gerçeklik sistemi gibi teknolojileri içerir.Yapay zeka algoritmaları ile sürekli eğitilir ve geliştirilir, ön uç robot vücut zekasını hızla geliştirir. Bu nedenle, bulut-ağ-uç kombinasyonunu benimseyen akıllı robot sistemi mimarisi, şekilde gösterildiği gibi daha güçlü uyarlanabilirliğe ve ölçeklenebilirliğe sahiptir.
Bulut ağı ucunu birleştiren akıllı robot sistemi mimarisi
5. Edge zekası, çoklu robot işbirliğini destekler
Gelecekteki çok robotlu uç akıllı sistemin mimari şeması aşağıdaki gibidir ve temelde birkaç ana bölüme ayrılmıştır.
Robot kenarı akıllı sistem mimarisi diyagramı
Veri toplama . Farklı robot veya akıllı cihaz türlerinin verileri için, ekipman "dikey" (ekipman yan yönetimi) ve "yatay" (ekipman endüstrisi zincirinin tüm bağlantıları arasında) için iki boyutlu bir bilgi bağlantı platformu oluşturmak üzere birleşik bir veri ve bilgi entegrasyon platformu oluşturun. , Gerçekten yararlı verileri filtrelemek için, "ham verileri" "yararlı verilere" dönüştürmeye odaklanın.
Edge bilişim. Ağ bilgi işlem kaynaklarını kullanarak, bilgi yansıtma modellemesi ve bilgi madenciliği, ağ katmanında varlıkların ayna simetrik modelini ve büyük veri ortamını oluşturmak için kullanılır. Kuruluşun operasyonunun tarihsel verilerindeki ilişki ve mantığı araştırarak, bir karar verme desteği üretir. Üretim bilgisi, içgörüleri verilere dönüştürerek karar vermeyi destekleyen ve bir bilgi tabanı oluşturmaya odaklanır. Edge cihazının çıkış terminali olarak, edge bilgi işlem cihazı yüksek gerçek zamanlı performansa ve ölçeklenebilirliğe ihtiyaç duyar. BT ve OT ekipmanlarının bağlı olduğu karmaşık bir ortam karşısında, TSN gibi olayları önceliğe göre işlemek için bir plan veya protokole ihtiyacımız var. Bulutun giriş ucu olarak daha yüksek kararlılık gerekir. Dağıtık mimari gibi tüm üretim hattının kontrol dışı olduğu senaryolardan kaçınmak için yedekli uç bilgi işlem ekipmanı yapmamız gerekiyor. Ve kendi uç zekası, özel hızlandırma yongalarının kullanımı gibi akıllı analiz ve karar verme için güçlü kayan nokta hesaplama yetenekleri gerektirir.
Edge zekası. Edge zekası, uç bilgi işlem cihazlarında dağıtılır. Son ekipmanla birlikte, BT ve OT arasındaki iletişimin gerçek zamanlı ve etkinliğini en üst düzeyde sağlamak için TSN donanım protokolü ve OPC uygulama protokolü benimsenmiştir. Bulut cihazlarıyla, uzaktan aramalar için veri ve RPC iletmek için TCP kullanır, veri aktarımının güvenliğini ve istikrarını sağlar, bulut ile uç arasındaki iletişim geliştirme zorluğunu azaltır ve sistem kararlılığını ve ölçeklenebilirliğini iyileştirir.
(1) Akıllı analiz. Gizli sorunları açık hale getirin ve ekipmanın gerçek sağlık durumunu (güvenlik, güvenilirlik, gerçek zamanlı, ekonomik ve diğer boyutlar) ve ekipman tarafında akıllı analizler aracılığıyla gelecekteki eğilimleri doğru bir şekilde değerlendirin ve potansiyel arızaları ve gizli sorunları tespit edin. Cinsel sorunların önceden teşhis edilmesi ve konumlandırılması, ekipman kullanımı, bakımı ve yönetimi konusunda akıllı karar verme için önemli karar desteği temeli sağlar ve odak noktası, "yararlı verileri" "yararlı bilgilere" dönüştürür.
(2) Akıllı karar verme. Temel araç olarak optimizasyon ve koordinasyon ile, ekipmanın gerçek sağlık durumuna ve düşüş eğilimine dayalı olarak, kullanıcının karar verme özel ihtiyaçlarıyla birleştirildiğinde, durumun belirlenmesi ve karar verilmesi, ekipman kullanımı, bakımı ve yönetimi için optimum karar desteğini sağlar ve görev faaliyetlerini gerçekleştirir ve Üretim sisteminin sürekli ve istikrarlı çalışmasını sağlamak (sıfıra yakın arıza çalışması) ve faydalı bilgileri optimum kararlara dönüştürmek için ekipman durumunun en iyi eşleşmesi.
Edge uygulaması. Tipik endüstriyel uygulama senaryolarının oluşturulması, akıllı sistemlerin sürekli dinamik optimizasyonu ve yeniden yapılandırılması, akıllıca optimize edilmiş kararların ekipman operasyonu ve kurumsal kaynak operasyonunun yürütme sistemine senkronize edilmesi ve kapalı bir karar verme ve değer döngüsü gerçekleştirme.
Bulut uç sistem yapısı
(1) Üretim hattının proses akışını optimize edin. Çok robotlu işbirlikçi süreç optimizasyonu yöntemine dayalı olarak, üretim hattında çok robotlu işbirliğine dayalı operasyonda tutarsız operasyon süresi ve yol çatışmalarının sorunlarına yönelik olarak, çok boyutlu proses parametreleri ile operasyon verimliliği ve döngü süresi arasındaki örtülü ilişki, üretim verimliliğini ve yolunu optimize etmek için araştırılır. Hedef olarak, sürü zekasına dayalı çoklu robotların proses parametrelerinin ve hareket yörüngelerinin optimizasyonunu gerçekleştirin.
(2) Daha iyi karar verme için bir veri temeli sağlamak üzere üretim operasyonu ve yönetim verilerini iyileştirin. Robotun tasarım sürecine ve uygulama sürecine göre, robotun yörünge planlaması, ulaşılabilirlik analizi ve girişim denetimi gibi simülasyonlar üç boyutlu bir ortamda gerçekleştirilmekte, süreç planının değerlendirilmesi ve optimizasyonu robot operasyon verimlilik analizi ile gerçekleştirilmektedir. Robot üretim hattı süreç planlaması, çok makineli işbirlikçi iş planlaması, üretim çizelgeleme ve lojistik kontrol planına göre, üretim sürecini simüle etmek için üç boyutlu model yönlendirilir ve robot ve biriminin uygulama süreci tasarımı veya optimizasyon süreci doğrulanır ve simülasyon sonuçlarına göre değerlendirilir. Robot üretim hattı işletme verimliliği ve döngü dengesinin hedef optimizasyonu. Simülasyon analizi sonuçları, doğrulama için tasarım ve uygulama bağlantılarına geri beslenir; robot proses tasarım bilgi tabanı, proses operasyonlarının şeffaflığını ve prosesin bağımsız optimizasyonunu gerçekleştirmek için güncellenir.
Özetle, uç bilgi işlem, robotların zekasını genişletmenin bir yoludur. Gelecekteki çoklu robot işbirliği sürecinde, robotların kestirimci bakımı ve üretim hatlarının akıllı programlaması da zeka sınırındaki robotların önemli uygulamalarıdır. Uç zeka teknolojisi, robot ekipmanı ve uç sunucularla işbirliği yaparak derin öğrenme modeli optimizasyonu ve derin öğrenme hesaplama geçişi gibi yöntemleri kullanır, böylece robotlar gelecekte kullanımda daha iyi otonom kararlar verebilir ve aynı zamanda üretim hattını daha akıllı ve yetenekli hale getirebilir. Üretim hattı kaynaklarındaki değişikliklere esnek bir şekilde uyum sağlamak için üretim planını destekleyin ve nihayetinde üretim hattını esnek, kişiselleştirilmiş ve akıllı hale getirin ve akıllı üretimin yükseltilmesini gerçekleştirin.
Bilge şeyler düşünür Edge computing, son yıllarda ortaya atılan yeni bir kavramdır ve tanıtımı ve uygulanması, özellikle yüksek gerçek zamanlı gereksinimleri olan senaryolar için uygun olan özel uygulamalara çok bağlıdır. Robot uygulaması çok uygun bir uygulama senaryosudur. Bulut bilişimin sınırsız işleme yetenekleriyle birleştirilen uç gerçek zamanlı bilgi işlem, robotun insan-bilgisayar etkileşimini ve sahne uyarlama yeteneklerini büyük ölçüde geliştirebilir, ayrıca otonom hareket ve algılama yeteneklerini geliştirebilir. 5G tabanlı bulut tarafı uç entegrasyonu sayesinde, robot gövdesinin yetenek tasarımı çok fazla esnekliğe sahiptir, böylece robot gövdesinin donanım kapasitesine olan bağımlılığı ayırmak, maliyetleri düşürmek ve büyük ölçekli dağıtımı teşvik etmek mümkündür.
