很多人都告诉, 将机器学习应用于实体机器人是充满著挑战的，因为掌控不道德远比辨识图片中的物体简单得多。比如让工业机器人自学”捕捉多种物品，让工业机器人通过看视频学会调制鸡尾酒，让工业机器人也用上自自学软件，在训练完了一个读取在机器人上的机器学习系统后，还要将这个机器学习系统与类似的机器人动作相适应，来超过工业机器人十分讲究地工业机器人和环境的融合。但在工业机器人创意创业者眼里，这条路是不可避免的。近日在东莞举行的李群自动化年度发布会上，他们聘为了新的首席科学家Frank C.Park，韩国国立大学机电系教授。
在演说过程中，以一个生动的PPT向我们展出了工业机器人中的机器学习和也可以非常极致。以下是(公众号：)撷取的精华内容：三菱电机的Kodaira说道过，机器人行业迫切需要系统集成方面的创意，工业机器人只是一个部件，只有统合到系统里它才有价值。
但是每个系统都必须专门自定义，与其它系统的链接也必须花上功夫。因此，整个工业机器人系统的成本往往是3倍到20倍机器人硬件的成本。而这其中，软件规划一项最少占到了40%。
要打造出合乎时代趋势更佳的工业机器人（工业机器人库），我们必须通过软件来提升。这其中还包括拟合规划分解（用最多的时间，损耗大于的能量）；任务的制订和优化；仿真（机器人工作单元中的仿真，工厂中的仿真）。
这张图是韩国工业机器人的发展历史：从韩国2002年经常出现韩国现代六轴机器人到现在irLib 2016极力尊崇的动作规划。这里我要谈的是，irLib除了单个机器人的优化，还能应用于多机器人，多任务的优化。明确还包括，在多机器人多任务中，确认机器人的最佳方位，多机器人协同的任务。
下面以端到端的能量轨迹举例。在一个长时间的机械臂中，输出扭矩增加30%－40%，能量损失就不会增加5-6%。
当然，除了优化，工业机器人中的检验也很最重要。这时候今年各种AI会议上大冷的机器学习就派上用场了，机器学习在检验中的重要性不言而喻。比如，基于视觉的机器学习，在查阅智能机屏幕，产品标签时都要大量中用。
比如，基于声音的机器学习，在检查耳机孔质量的时候需要中用。比如，在瓶口纹路检验的时候需要中用。换而言之，只要是有感官输出的地方，都能在检验系统里中用涉及的机器学习。
最后，我想要传达的是，我们的目标就是通过更加先进设备的软件和算法，来超过更佳的工业自动化。小结：在工业机器人中重新加入机器学习，根据业内人士的众说纷纭，目前还只是一个噱头多过分实践中的现状。
但也有一些人愿尝试，比如去年十二月份，Fanuc在东京国际机器人展览会上就展出了一台经增强自学训练的机器人，这个机器人用于了一种取名为深度增强自学的技术，来训练它自己，可随时自学新的任务。它在尝试捡起物品的同时，需要捕捉这个过程的视频。
不管每次它是顺利了还是告终了，它都会忘记物品宽什么样的，用它教给的科学知识改良掌控它行动的深度自学模型或大型神经网络。但面临现在柔性化生产更加低的呼声，我们无法再行像过去一样，让工业机器人要继续执行一个简单的新任务时，就花上上数周时间来新的编程，可以想象，如果机器人需要在胜任新的工作之前看著别人再行做到一遍就“学会“这个新的动作，这不会让现在的工业机器人生产过程产生质的变化。
也不会让我们在工业4.0的领先于大潮中，仍然跟国外的差距那么大。原创文章，予以许可禁令刊登。
下文闻刊登须知。
本文来源：js金沙平台-www.nihanshhosting.com