人工智能技术已经成为探测机器人领域很重要的一部分，可以为机器人提供非常重要的反馈。比如视觉SLAM算法可以构建环境地图并确认摄像机自身在地图中的位置。图像匹配技术和三维重建技术，可以为机器人定位或转向提供一个快速的反馈。手势识别，手眼协调，人体运动识别，能给予机器人不同的人机交互模式。
机器人的市场规模
报告数据显示，机器人市场规模持续扩大，工业、特种机器人市场增速稳定，服务机器人增速突出。2018年，机器人市场规模将达到298.2亿美元，2013-2018年的平均增长率约为15.1%。其中，工业机器人168.2亿美元，服务机器人92.5亿美元，特种机器人37.5亿美元，占比分别为56%、31%、13%。
探测机器人中的智能技术
深度强化学习：使用深度强化学习是在复杂度可以接受的情况下，让机器人通过试错来学习，能控制机器人在复杂环境中完成避开障碍，收集物品并到达指定地点等任务。深度强化学习的应用较好的解决了传统算法中存在容易陷入局部优、在相近的障碍物群中震荡且不能识别路径、在狭窄通道中摆动以及障碍物附近目标不可达等问题，并且大大提高了机器人轨迹跟踪和动态避障的实时性和适应性。
深度模仿学习：经过多年的发展，模仿学习已经能够很好的解决多步决策问题，其训练目标是使模型生成的状态-动作轨迹分布和输入的轨迹分布相匹配。
激光SLAM: 激光SLAM系统通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。激光雷达距离测量比较准确，误差模型简单，在强光直射以外的环境中运行稳定，点云的处理也比较容易。
视觉SLAM技术：视觉SLAM可以帮助机器人获取三维空间环境信息，使其具备自主移动、路径规划、场景理解等功能。视觉SLAM的优点是它所利用的丰富纹理信息。例如两块尺寸相同内容却不同的广告牌，基于点云的激光SLAM算法无法区别他们，而视觉则可以轻易分辨。
无线5G技术 ：得益于5G的1ms的延迟时间， 5G的速度提高将简化数据收集。5G无线连接技术将给机器人带来极大的灵活性并更快的传回数据， 5G的云化统一架构也将使能未来的云端实现实时控制。
三维物体识别：三维数据由
传感器直接获得，可以表示为深度图、点云、网格、CAD等不同形式。其中点云数据获取便捷，易于存储，具有离散和稀疏特性，方便扩展为高维的特征信息。另外，大部分立体视觉传感器具有主动发光单元，因此在不同的光照环境下 仍然可以得到相似的结果。这就使得三维视觉相对于传统的二维视觉受环境和观测条件影响较小。除了稳定性外，三维点云相对于二维图像具有更加丰富的信息，这为后续处理提供了更多的可能性和便利性。
探测机器人中的应用任务方向
智能探测机器人案例简述
ANYmal：是由苏黎世理工学院的ANYbotics团队设计出来的一款在恶劣工业环境中作业的四足机器人，研究人员给它配备了传感系统来执行探测和援救行动、检查和其他监视任务。研究团队通过应用深度强化学习使ANYmal机器人获得了新的运动技能：以不同速度的前进后退，奔跑速度更快，甚至在复杂的环境中还能跌倒后爬起来。
Guardian-S robot：由SARCOS开发的Guardian-S机器人被用于侦查坦克，车辆或其他危险材料，为作战部队提供关键情报。同时可以进行远端传输数据从而减少人员伤害。 除此之外，Guardian-S能够进入威胁区域包括楼梯一样的崎岖地形，管道或火灾现场等进行救援。
SnotBot：是Ocean Alliance被用来探测海洋生物的生命特征。例如，鲸鱼的喷水蕴含一些重要的生物数据，如DNA、怀孕激素、病毒、细菌和毒素等。通过利用SnatBot监测鲸鱼的喷水、鼻涕以及呼气的声音，研究人员只需待在远处的船上等待SnotBot设备收集数据，即可识别并实时监测鲸鱼的健康状态。
探测机器人的局限性
投入成本高，维护成本高，人力成本高：由于需要探测机器人的任务较难，从而导致对机器人零部件，材料, 芯片，电池甚至包括摄像头传感器等要求都很高；另外，机器人的很多零部件，在经历火场等恶劣环境后较易损坏，尤其是其电子元件，容易受到潮湿、浓烟和灰尘等影响，维护费用较高；同时，探测机器人执行任务时，对人员操作，维护和保养技术要求也极高。
真实环境中变量无法控制：在机器人执行任务的过程中，很多因素是无法控制的，比如一天之中不同时间段的自然光照条件不同，以及物体周围的背景可能会散射特定颜色的光导致物体的颜色发生改变，而这些因素都会影响识别的结果。
探测机器人的发展趋势
无线5G技术的应用会非常普及: 基于5G网络传输下的实时视频监控和设备运行状态数据跟踪，高速率、低时延、高可靠性的优势能帮助探测机器人快速传递观测到的信息。
服务形式的转变：将更多进入按需的即服务的经济，类似于云服务的模式向终用户提供服务。例如，在海洋领域，政府工作人员可以向无人艇运营企业租赁或者按月订购来探测海洋资源。
我要评论