• 不少工廠正在使用機器人技術中的機器學習來提高產量、實現(xiàn)質量保證自動化、預測維護計劃等。

• 多種類型的機器學習技術帶來了人們對機器人技術的應用。

• 機器人技術中的機器學習使得生產制造領域的運營更安全、更敏捷、更加以客戶為中心、更高效、并能創(chuàng)造出更多的利潤。

• 制造商可以開始逐漸在機器人領域采用機器學習，并有望較快地獲得投資回報（相對于其他投資）。

• 機器學習在機器人領域中的進步將使工廠的裝配線能夠得到快速的重新配置。

機器學習是人工智能（AI）的一個分支，研究的對象是讓軟件程序能夠根據自己的經驗自動改進算法的過程?！敦敻簧虡I(yè)洞察》雜志最近的一項研究和報告預計，全球的機器學習市場將從 2022 年的 212 億美元（約合人民幣 1500 億元）增長到 2029 年的 2099 億美元（約合人民幣 15000 億元），年復合增長率為 38.8%。

純數(shù)字機器學習過程可以從許多方面為生產制造帶來益處，例如改進產品設計和運營效率，但本文主要討論機器人技術中的機器學習。雖然機器人流程自動化（RPA）技術是基于軟件的技術，可為企業(yè)帶來好處，包括節(jié)省成本和提高效率，而這里所指的機器人是指物理工業(yè)機器人。

機器學習在工廠中的應用

機器學習是創(chuàng)建互聯(lián)工廠的關鍵組成部分，互聯(lián)工廠包括一系列工業(yè)物聯(lián)網（IIoT）設備，包括作為智能制造范式一部分的可強化和簡化工作流程的機器人技術。工業(yè)物聯(lián)網傳感器可生成大數(shù)據流，機器學習數(shù)據分析可從中挖掘出有價值的信息。機器人技術還有通過其中一些工業(yè)物聯(lián)網傳感器提高感知和推理周圍環(huán)境的能力，這些傳感器包括但不限于超聲波、雷達、激光雷達、力傳感器以及來自照相機、圖形處理器（GPU）和機器學習人工智能的計算機視覺。

除了用于產品組裝之外，機器學習已經開始并將繼續(xù)以多種方式改變制造業(yè)。機器學習可以讓產品組裝從中得到巨大的益處；用具有機器學習技術的設備來制造某些產品（例如半導體），可以減少停機時間、溢出以及維護和檢查成本。

機器學習正在改變從裝配到維護和檢查的制造流程。

組裝后的工作和機器學習可以提高質量保證。現(xiàn)在，高分辨率攝像頭和高性能圖形處理器已經很常見，而且價格也不是貴得讓人望而卻步，在更好地檢查產品的缺陷方面，機器學習計算機視覺系統(tǒng)要比人的能力強。

機器學習還可以執(zhí)行無損測試，而不會出現(xiàn)人為的錯誤。例如，將超聲波等傳感器數(shù)據與機器學習分割和對象檢測算法結合使用，可以更準確、更高效地發(fā)現(xiàn)材料中的裂紋和類似的缺陷。

普華永道（PwC）在其執(zhí)行研究論文 Digital Factories 2020—Shaping the Future of Manufacturing （“數(shù)字工廠 2020——塑造制造業(yè)的未來”）中報告說，制造業(yè)的預測性維護將是未來幾年機器學習在工廠中的最大增長領域，從 2020 年 28% 的公司實際使用率增長到 2025 年的 66% 計劃使用率。工廠機器人和其他機器的預測性維護源自設備上的工業(yè)物聯(lián)網傳感器生成的大數(shù)據，這些傳感器可記錄有關設備狀況的信息。普華永道的研究指出，機器學習算法然后對數(shù)據進行分析，預測出機器何時需要維護，從而幫助避免因計劃外維護而造成的代價高昂的停機時間，把維護工作計劃在客戶需求較低時期。

機器人技術、其他機器、產品甚至整個工廠的數(shù)字孿生是真實物體或假設物體的虛擬表示，它們使用模擬、人工智能和機器學習預測和優(yōu)化性能以提高質量和效率，而成本要低于在物理環(huán)境下實際操作的費用。

雖說機器學習在工廠中的其他用途與機器人技術關系不大，但仍然可以提高整個制造業(yè)的效率。正如來自工業(yè)物聯(lián)網傳感器的大數(shù)據能夠支持機器學習進行預測性維護一樣，將來自數(shù)字工廠的集中數(shù)據分析結果輸入到機器學習算法中可以改善供應鏈管理（從優(yōu)化物流路線到用計算機視覺庫存管理取代條形碼掃描，再到優(yōu)化可用存儲空間）。機器學習還可以預測需求模式，以幫助避免生產過剩。

在生產過程中，企業(yè)需要對成本、材料、重量、強度和其他因素（例如制造技術）進行優(yōu)化，然而在優(yōu)化過程中有數(shù)以千計的設計可能性，衍生式設計可以使用機器學習對這些數(shù)目眾多的可能性進行篩查以達到預期的目的，讓企業(yè)充分利用工廠車間現(xiàn)有的機器人技術和機器。

如何在機器學習中訓練機器人

機器學習算法，無論是純數(shù)字的（如互聯(lián)網的搜索引擎），還是應用于物理機器（如機器人系統(tǒng)）上的，都需要有大量的數(shù)據集輸入才能識別各種模式并從中學習。為了涵蓋人工智能可能遇到的（和不太可能遇到的）場景，輸入的數(shù)據量必須足夠龐大才能滿足機器的全面學習。如果沒有足夠的數(shù)據，機器學習“模型”可能永遠也無法完全發(fā)揮潛能。當然，數(shù)據也必須準確，模型才能正確地完成學習。機器學習可對重要的人工智能進行訓練，例如輔助手術的醫(yī)療機器人，因此數(shù)據的準確性至關重要。

第三方數(shù)據訓練平臺可用于訓練機器人系統(tǒng)之類的機器學習模型，以執(zhí)行不斷增長的任務和行為列表，例如裝配和構建產品和結構，以及與人互動或避開人體等。數(shù)據訓練公司可以根據工廠所建議的機器人系統(tǒng)需要在工廠中發(fā)揮的作用定制訓練數(shù)據。

機器學習有許多分支，如深度學習，這在今天已經非常普遍，因為它所需的大量計算能力現(xiàn)在已經很強大而且相對負擔得起。深度學習利用神經網絡（即節(jié)點網絡），其中節(jié)點的權重是從數(shù)據中學習的。這些網絡的設計就是用來模仿人類和動物大腦適應動態(tài)輸入進行學習的。以下是影響機器人技術的機器學習的其他一些分支，以及它們的一些應用。

一名醫(yī)生正在使用機器人手術系統(tǒng)。

計算機視覺

通過使用深度神經網絡，計算機視覺使機器能夠解讀視覺刺激，如數(shù)字圖像、視頻和來自雷達、激光雷達和超聲波等傳感器技術的數(shù)據。它在執(zhí)行這種操作時，類似于人類視覺將物體彼此區(qū)分開來的方式，了解物體之間的距離、物體是否在運動，并觀察圖像中是否有問題。然后，機器可以根據其視覺輸入建議采取行動或自行采取行動。

例如，具有足夠強大處理能力的計算機視覺系統(tǒng)可以超越人類檢查產品或觀察裝配線的能力，因為它們可以比人類更快地對大量物體進行快速分析并發(fā)現(xiàn)更加微小的缺陷。計算機視覺系統(tǒng)的深度學習過程需要吸收大量的數(shù)據才能對物體進行比較并最終了解兩個物體（如一個完美的零件和一個有缺陷的零件）之間的差異。數(shù)據在卷積神經網絡（CNN）中處理以解讀單個圖像，并在循環(huán)神經網絡（RNN）中處理以解讀一系列圖像，例如視頻饋送。

來自安保和交通方面的攝像頭、智能手機和其他視覺技術的大數(shù)據的涌入幫助計算機視覺蓬勃發(fā)展，而且該技術一直是自動檢查系統(tǒng)興起的關鍵。計算機視覺不僅在自動駕駛汽車識別和避開其他汽車、行人、自行車、道路指示牌和標記的前景中起著關鍵的作用，而且在制造業(yè)中的應用也在不斷增長。IBM 預測，計算機視覺市場在 2022 年將達到 486 億美元（約合人民幣 3450 億元）。

IBM 還致力于利用工業(yè)物聯(lián)網設備內的邊緣計算能力，在汽車制造中使用計算機視覺來檢測質量缺陷。這種功能可以依靠計算機視覺的對象檢測能力來實現(xiàn)，它可識別產品缺陷或需要維修的機器，讓幾乎任何制造領域受益。計算機視覺的對象跟蹤（即檢測到物體后對其進行跟蹤的能力）對于機器人程序（旨在于共享空間內實現(xiàn)人類和機器人直接交互的“協(xié)作機器人”）以及自動駕駛車輛和無人機來說都是至關重要的。

模仿學習（在該過程中，人類“訓練師”對機器人進行行為訓練）對于人形機器人和肢體機器人來說很重要。

模仿學習

模仿學習是一種接受指導的機器學習的形式，在這一過程中，“訓練師”（通常是人類）在物理或模擬環(huán)境中向機器學習實體展示行為，人工智能設備根據訓練師的示例制定行為策略。會學習的人工智能設備（或“智能體”）從環(huán)境中的“自變量”以及來自訓練師動作的“目標變量”中獲取輸入。例如，如果人工智能設備試圖從訓練師那里學習抓握的動作，那么目標變量可能是訓練師從抓握一種物體變?yōu)樽ノ樟硪环N物體的變化方式。根據訓練師的教導，人工智能設備會制定一種“方針”或策略，以供在將來的行為學習中使用。

無論是自動駕駛的汽車，還是可以擊敗人類世界圍棋冠軍的機器，在這類人工智能中，模仿學習都起著重要的作用。在機器人技術領域，模仿學習對于現(xiàn)場機器人的制作來說一直都起著十分關鍵的作用，無論這些現(xiàn)場機器人是用來在靜態(tài)和可預測的環(huán)境（如工廠）之外作業(yè)，還是用來在某些特殊行業(yè)（如建筑、農業(yè)和軍事）作業(yè)。這是開發(fā)人形機器人和其他腿式機器人以及越野移動機器人的重要方法。

多智能體強化學習

有一種強化學習的方式（多智能體學習或多智能體強化學習），將多個人工智能設備或智能體放置在一個共同的物理或模擬環(huán)境中。模仿學習教導單個智能體嘗試模仿訓練師的動作，而多智能體學習則通過多個智能體之間的協(xié)作（或相互競爭）以及從效仿“他人”的行為中進行學習，從而產生一種累積學習效果。每個智能體都可以根據自己的觀察和經驗獲取自己的信息，并可以共享信息以促進集體進步。這種機器學習在游戲中的應用已經非常普遍，而且在其他領域也有許多應用，例如，自動駕駛車隊或搜索救援的機器人團隊。

來自 OpenAI 的關于多智能體學習的熱門視頻讓兩支人工智能團隊在捉迷藏的游戲中展開了對抗。經過多次迭代，最初非常初級的游戲玩法演變?yōu)閺碗s的策略，因為競爭的團隊學會了創(chuàng)造障礙、克服障礙、建造結構、找到進入這些結構的方法等技巧。

自監(jiān)督學習

機器學習的許多早期工作，例如用來識別圖像內容的計算機視覺項目，需要用元標簽對數(shù)據進行標記。例如，每個圖像都必須標記為“狗”或“熱狗”等等。這種標記工作往往意味著時間和資金方面的巨大成本。與此形成鮮明對比的是，自監(jiān)督學習（SSL）算法不依賴于標記數(shù)據。相反，這種學習方法訓練自己根據輸入的一部分內容來預測即將輸入的另外一部分內容，所以有時也被稱為預測性學習。SSL 的用途表現(xiàn)在不同的領域，例如，在機器自然語言處理（NLP）和谷歌的醫(yī)療圖像分類工作中。

大多數(shù) SSL 算法都被限制在單個“域”的輸入，例如口語詞匯、文字或圖像。然而，斯坦福大學以人為中心的人工智能研究所（HAI）的研究人員引入了 DABS（自監(jiān)督學習的未知領域基準），讓算法能夠從七種輸入類型的角度應用 SSL（包括多語言文本和語音、傳感器數(shù)據和圖像），而且還可在以后進一步添加。SSL 已對提高自動駕駛車輛的安全性和疾病診斷起到了積極的作用。DABS 可以降低企業(yè)使用 SSL 的準入門檻，并在工業(yè)診斷等領域逐漸展現(xiàn)出相當?shù)臐摿Α?/p>

使用機器學習和機器人的好處

隨著機器人技術中的機器學習變得越來越復雜，它使機器人系統(tǒng)能夠接管那些對人類來說是危險的或高度重復的更為復雜的工作，并且/或者隨著對感知周圍環(huán)境能力的提高，機器人可與人類進行更多的互動。這使得智能工廠對工人來說更安全，同時也讓他們騰出時間從事更具創(chuàng)造性的“軟技能”工作，或者提高技能，以從事編程和機器維修等工作。

具有機器學習功能的機器人可以減少人為的錯誤，避免意外停機，并以超出人類能力的精確度和一致性檢查產品質量，這也使得生產制造的生產力和效率得以提高，從而提高利潤。

2022 年，麥肯錫與世界經濟論壇合作，將全球1萬多家工廠中的 103 家工廠歸類為“燈塔”工廠，這意味著它們已完全過渡到工業(yè) 4.0 技術。該研究發(fā)現(xiàn)，這些燈塔工廠更加靈活，以客戶為中心，并在生產率和可持續(xù)性領域（例如減少浪費和溫室氣體排放）更大程度地改善了關鍵績效指標。該項研究還從這些燈塔工廠中挑選出 59 家先進工廠。這些先進的燈塔工廠比其他公司更廣泛地采用機器學習技術，包括使用靈活的與人協(xié)作并收集數(shù)據進行分析的智能機器人的自動化技術，以及可識別缺陷的機器學習計算機視覺檢查。

隨著機器人變得越來越復雜，它們可以接管危險、復雜和重復性的任務，讓工人騰出時間來提高技能，從事更具創(chuàng)造性的工作。

如何將機器學習融入工業(yè)機器人

隨著軟件的改進和其他技術的發(fā)展，制造商欲將智能機器人技術引入運營變得比以往任何時候都切實可行。The Association for Advancing Automation （A3，先進自動化協(xié)會）聲稱，即使是中小型制造商也可以安裝智能機器人系統(tǒng)，而且平均在 6-15 個月內便可實現(xiàn)投資回報。根據系統(tǒng)的不同，現(xiàn)有的工廠工人通?？梢詫W習對機器人的操作，而不需聘請專門的機器人專家或工程師過來指導。

在使用機器人技術的過程中，企業(yè)可以先對智能機器人可能發(fā)揮作用的一兩個領域進行評估，然后再逐漸擴大范圍，而不是一開始就嘗試全面推進。企業(yè)可以問自己一個問題：有沒有哪個領域可以讓先進的機器人技術來接替那些骯臟、枯燥或危險的工作？質檢也是一個不錯的起點，企業(yè)可以使用用來檢查機加工零件并配有機器視覺的機械臂來代替或強化以手工方式進行的質量檢驗。機器視覺系統(tǒng)還可以管理庫存并收集大量數(shù)據，然后用機器學習對這些數(shù)據進行分析，改進流程。

另一個潛在的切入點可能是使用一個自動移動機器人（AMR），它可以在工廠內移動物品，并智能地繞過障礙物和人員。更復雜的 AMR 也可以配備機械手臂，以實現(xiàn)額外的協(xié)作功能。工廠可以讓工人放心的是，這種機器人是用來幫助他們而不是取代他們的，甚至可以通過促進他們對新技能的獲取對他們的職業(yè)發(fā)展給以幫助。

企業(yè)也可以與許多潛在的機器人和人工智能供應商合作，將機器學習機器人整合到自己的業(yè)務中。企業(yè)此時需要考慮兩個選項：從不負責機器人安裝的分銷商處購買，然后自己找人來安裝和配置，還是從一家“機器人即服務”的公司購買？后者不僅出租技術，還將提供維護和監(jiān)控（費用已包括在內）。

機器學習和機器人技術將如何改變未來的工廠

機器人技術中的機器學習越來越容易為規(guī)模和預算較小的工廠所接受，這種趨勢只能隨著機器學習（得到從工業(yè)物聯(lián)網收集到的數(shù)據的支持）的改進和計算能力的不斷提高才能得以發(fā)展。歐特克人工智能實驗室的 Brickbot 等項目正在為這一目標而努力；如果獲得成功，機器學習的機器人技術將更易于使用，并有可能改變機器人制造的整個范式（從大規(guī)模生產到無限的可配置性）。

自動化裝配線目前只有一個目的：大規(guī)模生產一樣產品。對這些裝配線的工業(yè)機器人的編程針對的是重復而且是特定的任務，對它們重新編程可能是一項艱巨的工作，有時需要數(shù)月甚至數(shù)年的時間。“這種工作非常繁瑣，復雜得令人難以置信，而且非常容易出錯，”歐特克公司研究副總裁 Mike Haley 介紹說。

但是，客戶越來越希望對產品進行自定義和個性化，這使得重新配置裝配線變得更加必要。通過與 Brickbot 的合作，歐特克人工智能實驗室設定了一個教機器人如何用樂高積木進行搭建的目標，就像兒童學習搭積木一樣。Brickbot 接收傳感器的數(shù)據，并使用機器學習推斷其環(huán)境條件，然后相應地采取行動并適應這一過程。然而，這只是開始。在不斷改進之后，如果機器人能夠學會組裝任何東西，它還可以重新定義機器人在工業(yè)環(huán)境中的工作方式。

歐特克人工智能實驗室的軟件架構師 Yotto Koga 說：“長期以來，組裝汽車的機器人裝配線牽一發(fā)而動全身。如果你更改設計或設計中的零件，就必須對所有的零件進行重新設計，才能使這些新零件融入整個系統(tǒng)發(fā)揮作用。我們正在想辦法讓機器人更易于使用，這樣就可以將裝配線組合在一起，讓更多的人都能使用，而不僅是實力雄厚的大公司才能使用。”

Haley 說，在將學到的知識轉移到物理對象之前，我們可以用三維模型對 Brickbot 等機器學習中的機器人系統(tǒng)進行數(shù)字化訓練，它的速度要比在真實世界中進行實際操作快數(shù)百萬倍。最終，該人工智能實驗室可以將所學知識應用到任何工業(yè)環(huán)境中，制造汽車或航空航天部件、電子設備，或者任何需要的東西。

“未來的工廠不會是單一用途的工廠，”Haley 說，“他們必須適應各個時間點的需求。你可能會在半夜做出重新設計產品的決定。到第二天早上的時候，工廠已經對如何處理這一設計變更作出指示，并把準備工作落實到位。”