机器人中的机器学习如何改变未来的工厂

• 工厂正在利用机器人中的机器学习来提高生产，自动化质量保证，预测维修计划等等。
• 几种类型的机器学习技术可以应用于机器人技术。
• 在机器人中采用机器学习使得制造操作更安全、更敏捷、更以客户为中心、更高效、更有利可图。
• 制造商可以开始逐步在机器人技术中采用机器学习，并期望相对较快地实现ROI。
• 机器学习技术在机器人学领域的进步将使工厂装配线能够快速地重新配置。

机器学习是人工智能(AI)的一个子集，描述了使软件程序从经验中自动改进的算法过程。《财富》商业洞察(Fortune Business Insights)最近的一项研究和报告预计，全球机器学习市场将以38.8%的复合年增长率增长，从2022年到2020年的212亿美元2029年为2099亿美元．

纯数字机器学习过程可以制造业受益在很多方面，如改进产品设计和操作效率，但这一概述主要涉及机器人学中的机器学习。虽然机器人过程自动化(战)的技术是基于软件的，为企业带来许多节省成本和提高效率的好处，这里所指的机器人是物理的工业机器人。

机器学习如何在工厂中使用

机器学习是创建连接工厂的关键组成部分，该工厂包括工业物联网(IIoT)设备链，包括机器人，作为范例的一部分，可以增强和简化工作流程智能制造．工业物联网传感器产生大数据流，机器学习数据分析可以挖掘有价值的见解。机器人也可以通过一些工业物联网传感器，包括但不限于超声波、雷达、激光雷达、力传感器、摄像头的计算机视觉、图形处理单元(gpu)和机器学习AI，来提高感知和推理周围环境的能力。

除了在产品装配方面的应用，机器学习已经开始并将继续在许多方面改变制造业。机器学习可以极大地造福于装配;在机器学习设备上制造某些产品，beplay官网客服电话如半导体，可以减少停机时间、溢出和维护和检查费用．

装配后，机器学习可以改进质量保证．现在高分辨率相机和高功率图形处理器已经很普遍，而且价格也不是太高，机器学习计算机视觉系统通常可以比人更好地检查产品的缺陷。beplay官网客服电话

机器学习还可以在没有人为错误的情况下进行无损检测。例如，使用传感器数据，如超声波与机器学习分割和目标检测算法能更准确、高效地发现材料中的裂纹等缺陷。

在其行政研究报告中数字化工厂2020——塑造制造业的未来，普华永道(PricewaterhouseCoopers)报告称，未来几年，制造业中的预测维护将是机器学习在工厂中增长最大的领域，2020年使用该技术的公司占比为28%，到2025年计划使用该技术的公司占比为66%。工厂机器人和其他机器的预测性维护来自于设备上的工业物联网传感器产生的大数据，记录了设备状态的信息。普华永道表示，机器学习算法然后分析数据，预测机器何时需要维护，帮助避免计划外维护造成的昂贵停机，而是在客户需求较低的时候规划维护。

数字的双胞胎机器人、其他机器、产品，甚至整个工厂都是真实或假设事物的虚beplay官网客服电话拟代表，它们使用模拟、人工智能和机器学习来预测和优化性能，以达到质量和效率，而花费比在物理领域做这些事情更低。

机器学习在工厂中的其他应用与机器人技术关系不大，但仍能提高整个制造企业的效率。正如来自工业物联网传感器的大数据使机器学习预测性维护成为可能，集中的数据分析从数字化工厂馈入机器学习的算法可以改进供应链管理-从优化物流路线，到用计算机视觉库存管理取代条形码扫描，以及优化可用的存储空间。机器学习还可以预测需求模式，以帮助避免生产过剩。

生成设计通过使用机器学习，可以根据所需的成本、材料、重量、强度和制造技术等其他因素，在无数设计可能性中进行循环优化，这样您就可以最大限度地利用当前工厂车间中的机器人和机器。

机器学习如何训练机器人

机器学习算法，无论是纯粹的数字算法(如互联网搜索引擎)，还是应用于物理机器(如机器人系统)，都需要喂食庞大的数据集以便识别模式并从中学习。输入数据必须足够大，以覆盖AI可能遇到的所有场景，以及不太可能的场景，以便全面学习。如果没有足够的数据，机器学习“模型”可能永远无法充分发挥其潜力。这似乎是显而易见的，但数据也必须是准确的，以便模型正确地学习。机器学习训练重要的人工智能，如辅助手术的医疗机器人，因此数据的准确性是至关重要的。

第三方数据培训平台可用于培训机器学习模型，如机器人系统，以执行不断增长的任务和行为列表，如组装和建造产品和结构，与人互动或避开人，等等。beplay官网客服电话数据培训公司可以根据机器人系统在特定工厂中需要如何运作的建议，定制培训数据。

机器学习有很多子集，比如深度学习这在今天是很常见的，因为它所需要的大量计算能力现在是充足的，而且相对负担得起。深度学习利用了神经网络，这是节点网络，其中节点的权重是从数据中学习的。设计这些网络是为了模仿人类和动物的大脑适应动态输入学习的方式。下面是影响机器人的机器学习的其他一些子集，以及它们的一些应用。

计算机视觉

通过使用深度神经网络，计算机视觉使机器能够解释数字图像、视频等视觉刺激，以及来自雷达、激光雷达和超声波等传感器技术的数据。它的操作方式类似于人类视觉区分物体的方式，了解物体的距离以及它们是否在运动，并观察图像中是否有错误。根据它们的视觉输入，机器可以推荐行动或采取自己的行动。

例如，具有足够强大处理能力的计算机视觉系统在检查产品或监视装配线方面可以超过人类的能力，因为它们可以比人更快地快速分析大量的物体，并注意到更微小的缺陷。beplay官网客服电话计算机视觉系统的深度学习过程需要消耗大量的数据，这样它才能比较物品，并最终了解完美零件和缺陷零件之间的区别。数据在卷积神经网络(CNN)中被处理以解释单幅图像，在循环神经网络(RNN)中被处理以解释一系列图像，如视频提要。

来自安全、交通摄像头、智能手机和其他视觉技术的大数据的涌入，帮助计算机视觉蓬勃发展，而该技术是崛起的关键自动检测系统．而且对未来的前景至关重要自主车辆为了识别和避开其他汽车、行人、自行车、路标和标记，计算机视觉在制造业中的应用越来越多。IBM曾预测计算机视觉市场将受到冲击486亿美元在2022年。

IBM还致力于利用工业物联网设备中的边缘计算能力，在汽车制造中使用计算机视觉来检测质量缺陷。通过计算机视觉的物体检测能力，这是可能的。通过识别产品缺陷或需要修理的机器，这几乎可以使任何制造业领域受益。计算机视觉的目标跟踪——一旦探测到目标就跟踪的能力——对于合作机器人(“协作机器人”，旨在在共享空间中实现人/机器人的直接交互)、自动驾驶汽车和无人机来说是必不可少的。

模仿学习

监督机器学习的一种形式，模仿学习指的是“训练师”(通常是人)在物理或模拟环境中向机器学习实体演示一种行为，人工智能根据训练师的例子制定行为策略。学习的人工智能，或“代理”，从环境中的“自变量”和“目标变量”从教练的行动中获取输入。例如，如果AI试图从训练者那里学习抓取，目标变量可能是训练者从抓取一种对象到抓取另一种对象的抓取技术变化的方式。根据训练师的课程，人工智能会创建一个“政策，或未来将使用的行动战略。

模仿学习在自动驾驶汽车的人工智能技术中发挥了重要作用，在击败人类的机器中也发挥了重要作用围棋世界冠军．对于机器人来说，模仿学习对于工厂、建筑、农业和军事等静态、可预测环境之外的现场机器人工作尤为重要。这是开发人形机器人和其他有腿机器人，以及越野机动的重要方法。

多智能体强化学习

一种强化学习多智能体学习，或称MARL(多智能体强化学习)，将多个ai或代理置于一个公共物理或模拟环境中。模仿学习教导单一的智能体试图模仿训练者，而多智能体学习则从多个智能体的合作或竞争中诱导累积的学习效果，并从其他的行为中学习。每个代理都可以根据自己的观察和经验访问自己的信息，并可以共享信息以实现集体进展。这种类型的机器学习在游戏中已经很常见了，但它还有许多其他的实际应用——例如，在自动驾驶车队或搜救机器人团队中。

一个关于OpenAI多智能体学习的流行视频让两组ai在捉迷藏游戏中相互对抗。经过多次迭代，最初的初级玩法逐渐演变成复杂的策略，因为团队学会了创造障碍、克服障碍、构建结构、找到进入这些结构的方法等等。

Self-Supervised学习

机器学习的许多早期工作，例如识别图像内容的计算机视觉项目，都需要用元标签标记数据。例如，每张图片都必须被标记为“狗”或“热狗”等等。这种贴标签的努力需要花费大量的时间和金钱。相比之下，自监督学习(SSL)算法不依赖于标记数据。相反，SSL AI训练自己从输入的另一部分预测输入的一部分。因此，它有时被称为预测学习。SSL很有用例如，在机器自然语言处理(NLP)和谷歌医学图像分类工作。

大多数SSL算法都局限于输入的单一“域”，如口语、文本或图像。然而，斯坦福大学以人为中心的人工智能研究所(海)介绍了用纸巾擦去眼泪(自监督学习的领域无关基准)，它允许算法从7种输入类型(包括多语言文本和语音、传感器数据和图像)应用SSL，后面还将添加更多。SSL已经有助于提高自动驾驶汽车的安全性和诊断疾病。DABS可以降低企业使用SSL的准入门槛，并探索其在工业诊断等领域的潜力。

使用机器学习和机器人技术的好处

随着机器学习在机器人领域变得越来越复杂，它使机器人系统能够接管一切更复杂的工作这对人类来说是危险的或过度重复的，或者允许与人类进行更多的互动，因为合作机器人能够更好地感知周围的环境。这使得智能工厂对人们来说更安全，同时也能解放他们从事更有创造性的“软技能”工作，或提高编程和机器修理等工作的技能。

具有机器学习能力的机器人可以减少人为错误，避免计划外停机，并以超出人类能力的精度和一致性检查产品质量，这也使得制造操作更有效率，提高了底线。

麦肯锡和世界经济论坛在2022年的一项合作中将全球1万多家工厂中的103家列为“灯塔”制造商这意味着它们完全过渡到了工业4.0技术。研究发现，这些灯塔制造商更灵活，更以客户为中心，在生产力和可持续性方面做出了更大的改进，如减少浪费和温室气体排放。该研究还指定了59家先进的灯塔制造商。这些先进的灯塔明显比其他公司更多地采用了机器学习技术，包括使用智能机器人进行灵活自动化，与人合作并收集数据进行分析，以及机器学习计算机视觉检查，以识别缺陷。

如何在工业机器人中融入机器学习

软件的改进和其他技术的发展使得制造商在生产中引入智能机器人比以往任何时候都更加实际。先进自动化协会(A3)声称，即使是中小型制造商也可以部署智能机器人系统，实现投资回报平均6到15个月．根据该系统，现有的工厂工人通常可以学习操作机器人，而不是雇佣专门的机器人专家或工程师。

公司可能希望通过评估一两个智能机器人可以帮助的领域来逐步开始，而不是尝试全面的改革。是否有一个领域可以让先进的机器人取代3Ds所从事的肮脏、枯燥或危险的工作?另一个好的起点是用装备了机器视觉的机械臂代替或加强人工质量检查，它可以检查加工零件。机器视觉系统还可以管理库存和收集大量的数据，机器学习可以分析这些数据以改进流程。

另一个潜在的切入点可能是自主移动机器人(AMR)，它可以在工厂地板上移动物品，并具有绕过障碍物和人群的智能。更复杂的AMR可能配备一个机械臂，以实现额外的协作功能。员工可以放心，这样的机器人是来帮助他们而不是取代他们的，甚至可以通过促进新技能的学习来帮助他们推进职业生涯。

有许多潜在的机器人和人工智能供应商可以帮助将机器学习机器人纳入制造业务。它将考虑，企业更愿意从不协助机器人部署的分销商、合作安装和部署的集成商，还是从基本上租赁技术并作为价格一部分提供维护和监控的“机器人服务”公司购买。

机器学习和机器人将如何改变未来的工厂

机器人领域的机器学习越来越多地进入规模和预算较小的工厂，这一趋势只会随着从工业物联网收集的数据以及丰富的计算能力所支持的机器学习的改进而继续下去。Autodesk AI Lab的Brickbot等项目正在追求这一目标，这可能使机器学习机器人更容易获得，并有可能改变整个机器人制造范式，从大规模生产到无限可配置。

自动化装配线目前只有一个目的:大规模生产一种产品。他们的工业机器人是为特定的、可重复的任务编程的，重新编程可能是一项耗时数月甚至数年的艰巨工作。”这非常繁琐，非常复杂，而且非常容易出错，”Autodesk研究副总裁Mike Haley说。

然而，越来越多的客户希望从产品中定制和个性化，使得可重构装配线变得更加必要。beplay官网客服电话通过Brickbot，欧特克人工智能实验室设定了一个目标，教机器人如何用乐高积木建造，就像孩子学习的方式一样。Brickbot接收传感器数据，利用机器学习，推断其环境的条件，然后相应地采取自适应的行动。不过，这只是开始。在不断改进之后，如果机器人能够学会组装任何东西，它也可以重新定义机器人在工业环境中的工作方式。

Autodesk AI Lab软件架构师Yotto Koga表示:“传统上，组装汽车的机器人装配线是非常确定的。“所有东西都必须到位，这个系统才能正常工作。如果你改变了设计或设计中的部分，你必须重新设计一切，使那些新部分也具有确定性。我们正在寻找让机器人更容易使用的方法，这样我们就可以把装配线放在一起，让更多的人——而不仅仅是拥有深厚资源的大公司——可以使用它们。”

Haley表示，像Brickbot这样的机器学习机器人系统，在将学习到的知识转移到物理对象之前，可以使用3D模型以比现实世界时间快数百万倍的速度进行数字训练。最终，AI实验室可以将这种学习应用到任何工业环境，制造汽车或航空航天零部件、电子设备或任何需要的东西。

“未来的工厂不会是单一用途的，”黑利说。“它们将适应任何时候的需求。你可能一夜之间决定重新设计你的产品。到了第二天早上，工厂已经学会了如何处理设计上的变化，准备好了。”

本文已更新。它最初发表于2018年10月。