在現實世界拓展機器學習應用的三種方法／Bastiane Huang
稱為NeurIPS（神經資訊處理系統會議）的全球人工智慧領域盛會剛剛結束，出席者人數創下歷史新高，即使採取抽票制也難以容納。9,000張門票在12分鐘內售完，顯示了世界各地對AI興趣的爆炸式增長。
然而，儘管AI創新走出學術界，開始在產業界出現，大多數公司在落實AI解決方案時仍然面臨困難。在NeurIPS向AI世界發出警鐘的同時，機器人產業似乎對機器學習解決方案落地有更務實的考量。
我工作的公司提供機器學習軟體，使工廠和倉庫中有更多具自主性、也更靈巧的機器人。為了彌補技術和產品之間的差距，我們和機器人公司、以及系統整合商都密切合作，將最前端的機器學習研究產品化。
日前我飛到東京，參加全球最大規模的機器人展會「國際機器人展覽會」（IREX）；在這裡，領先的機器人公司展示了將AI人工智慧、以及ML機器學習應用在機器人領域的各種方法。
從「自動化」到真正「自主化」，AI造就的機器人技術領域，最大成果是從原先的「自動化」（工程師藉由程式設計編寫規則，讓機器人遵守）邁向了真正的「自主學習」。
AI在機器人領域的最大成果，是從原先的「自動化」邁向了真正的「自主學習」。
在先前的文章中，我談到AI如何造就新一代機器人2.0時代。傳統機器人主要用於大規模生產線，工程師事先編寫程式，讓機器以高精度、高速度執行相同的任務，但機器本身無法對變化或意外做出反應，因此彈性有所不足。
然而，隨著消費者對客製化產品需求的增長、和勞動力的不斷萎縮，我們需要更加自主和靈活的機器人。
也因此，有公司開始嘗試將ML應用於機器人領域，使新一代的機器人能夠處理傳統機器人無法完成的供作。在IREX中，我們看到了ML用於改善機器人的視覺、控制、以及提高真實使用案例的擴增性。
https://tuna.press/?p=12814
1. 機器視覺：在識別、擴充性和自主學習方面的突破
即使是最先進的3D結構化光相機，也難以識別具有透明封裝、反射、或是深色表面的物體，因為光線會散射、或是被吸收。
由於物品相互重疊，雜亂堆放的場景帶來了更多的挑戰；這就是為什麼大多數製造商都使用振動台、或是零件進料器來分散物品的原因。
此外，傳統的機器視覺系統也不夠靈活，所以必須事先上傳每樣物品的3D模型來登錄物件，以便後續進行影像及物件本身的匹配。只要過程中有任何一個小變化，都必須重新登錄物件、或是修改程式設計。
但是現在，隨著在深度學習、語義分割和場景理解等領域的進步，我們逐漸可以用一般相機來識別透明的、或是會反光的包裝。
在FANUC公司的展位上，「LR Mate 200iD」拾箱機器人利用深度學習演算法、以及3D視覺感應器，來示範拾取隨機放置在一個箱子裡的相同的金屬零件。FANUC表示，由於他們的系統可以即時執行3D圖像及物件比對，所以不需要預先登錄。
在FANUC展臺旁邊的川崎重工（KHI），則利用來自Photoneo和Ascent兩家新創公司的ML技術，展示了類似的隨機物件揀選方案；在另外一邊，KHI則與Dexterity公司合作，展示了機器人可以同時處理、搬運各種尺寸盒子的自動處理存貨解決方案。
在另一個展覽大廳，日本機器手臂大廠DensoWave以及舊金山的ML新創公司OSARO首次展示了「物件方向辨識」（Orientation）功能，讓機器人可以從雜亂的箱子裡取出透明瓶子；不僅能夠識別最佳拾取點，而且還能識別物體方向、並將瓶口朝上放上輸送帶。
https://youtu.be/AAwqnt2H0V4
在這項展示中，使用的瓶子是完全透明的，因此很難用傳統的機器視覺感應器識別；而且，過去還沒有其他公司展示過類似的功能。
這項讓技術機器手臂不僅可用於簡單的拾取和放置，還可用於更複雜的零件裝備（kitting）、包裝（packaging）、機器裝載（machine loading）、以及裝配（assembly）等工作。
2. 機器控制：智慧放置和品項處理
作為人類，我們從出生起就不斷練習撿拾和放置各種物品，因此可以不假思索就本能地完成這些工作；但是機器沒有這種經驗，所以必須重新學習。
尤其是在對產品包裝特別要求的日本市場，各項商品都需要被精心包裝，以確保物件和外包裝完整、沒有任何缺損。
而利用ML，機器現在可以更準確地判斷深度；ML模型還可以透過訓練學習，自動判定物體的方向和形狀，例如杯子是朝上或向下、或是處於其他狀態。物件建模、或立體像素化，則可用於預測和重建3D物件。
這些技術使機器能更準確預測實際物品的大小和形狀，從而將物料放置在所需位置；因此，也讓以產品品項（SKU）為基礎的處理方式得以實現：機器人可以根據物品的脆弱或易碎程度，選擇將物品輕輕放下、或是快速放置。
因此，我們可以藉由自動改變處理方式，讓系統處理量最佳化，而又不會損壞任何物品。
在展會中，也有些公司也開始在運動規劃中，嘗試使用強化學習或機器學習技術。例如日本新創Acsent展示了一段利用「強化學習」來組合兩個部件的影片；而機器手臂大廠「安川」（Yaskawa）也談到了在路徑規劃中使用機器學習的潛在好處。
但是，如果上述的機器學習改進，需要大量資料和長時間的訓練，就會造成在實際執行上的困難。在機器人和自動駕駛汽車等實際應用中，獲取訓練資料既有難度、成本也相當昂貴；這就是為什麼我對於IREX中提及的資料效率（data efficiency）問題特別關注。
3. 適用於現實世界的擴充性：資料效率
Yaskawa去年為開發工業機器人AI解決方案而成立的新公司「AI Cube Inc.」（AI3），在IREX的發表會中推出了為企業將機器學習模型數位化的工具「Alliom」。
根據AI Cube的說法，Alliom 提供了一個模擬環境（simulation），用於進行資料擴充（data augmentation）、並生成類似真實物件的合成資料（synthetic data）。
Yaskawa利用Alliom加快了ML模型隨機揀料的訓練過程，並希望在不久的將來，能將該解決方案擴展到各種其他應用之中。
這也表示，機器人產業已經超越了僅能引人注目的ML演算法，而開始考慮實際應用支援ML的機器人。ML解決方案不僅需要能夠成功運作，還必須能有效跨越各種使用場景、擴展用途，否則客戶很難有足夠誘因來引進這類系統。
結語
在上一篇文章中，我提到機器人公司正面臨「創新困境」：他們意識到創新的迫切需要，但仍然需要照顧他們的核心客層，也就是需要高速度、高精度工作能力的汽車業和製造業公司；然而，相對於其他市場對靈活性要求較高、也需要機器人能自主學習識別和處理各種元件，這一點是互相矛盾的。
在IREX，我們看到機器人巨頭與KHI與Photoneo、Dexterity、Ascent、DensoWave與OSARO、FANUC、以及Preferred Networks等新創公司聯合展出，顯示機器人公司正在改變並擁抱AI創新。但是，這樣的改變速度夠快嗎？
在汽車業，我們看到汽車OEM製造商在邁向自動駕駛的過渡中，與Tesla和Waymo等新進者展開競爭；然而到目前為止，我們還沒有看到科技巨頭進入機器人產業。
但Google、DeepMind、Facebook都已經在機器人相關的ML方面，投入了可觀的研究團隊，真正進入機器人產業可能也只是時間上的問題。
未來幾年之中，觀察AI將如何顛覆機器人行業、重新洗牌，將會是很有趣的事情。科技巨頭、機器人製造商、電子汽車製造商、AI新創公司，誰將勝出？
最後，誰又能鞏固在AI定義機器人時代的領導地位？