简单机器人的运动控制，仍然挡住机器人产业发展的老大难问题，如期没获得很好的解决问题。即便是代表机器人最低水平的波士顿动力，其机器人离简单也还近。近两年发展快速增长的AI，俨然如万金油般，被用在各种地方，大自然也还包括机器人掌控领域，而且或许获得了不俗的效果。

前端时间，UCberkely的增强自学专家PieterAbbeel创立了EmbodiedIntelligence，业务堪称必要涵括了VR、AI、机器人三大热点。为了搞清楚VR、AI等新技术如何在机器人掌控领域应用于，本文根据一些涉及论文和公开发表资料，还包括PieterAbbeel的演说，对VR和AI在机器人掌控方面的应用于展开了非常简单辨别，找到AI和VR等在机器人掌控等方面还是有觉得的应用于，只不过离获得实质性突破，还有非常宽的距离。机器人掌控的几种类型很多机器人的研究目标很多是仿真人的智能，所以研究人的控制系统，对于机器人有相当大的糅合意义。人体的神经系统由大脑、小脑、脑干、脊髓、神经元等联合包含，简单而又完备。

人体神经系统还包括中枢神经系统和周围神经系统。中枢神经系统由脑和脊髓构成，是人体神经系统的最主体部分。周围神经系统就是指脑和脊髓收到的产于到全身各处的神经。

无数的神经元不存在于神经系统各处，包含神经网络。中枢神经网络负责管理运动控制，主要分为三层：大脑：居住于最高层，负责管理运动的总体策划，各种任务的发布命令。小脑：居住于中间层，负责管理运动的协商的组织和实行。人体均衡由小脑掌控。

脑干和脊髓：归属于低于层，负责管理运动的继续执行，明确掌控肌肉的骨骼的运动，由脑干和脊髓已完成。三层对运动的调控起到有所不同，由低到较低，低层接管高层的上行控制指令并明确构建。

大脑可必要也可间接的通过脑干掌控脊髓运动神经。如果把机器人与人展开转换，机械臂控制器就类似于人的脊髓，负责管理掌控电机（肌肉）和机械机构（骨骼）的明确运动，多脚机器人的运动控制器，就类似于人的小脑，负责管理掌控均衡和协商。而机器人的操作系统层，则类似于人的大脑，感官和理解世界，并发布命令各种简单的运动目标。

基于以上转换，参考目前的各类机器人的情况，机器人的运动控制大约可以分为4种任务：脊髓掌控——机械臂运动的基础掌控。工业机器人，各类机械臂，无人机的底层运动控制等面对的主要是这类问题。小脑掌控——多脚机器人的均衡和运动协调控制。这块目前是机器人掌控仍并未突破的难题，目前做到的最差的似乎是波士顿动力。

大脑掌控——环境的感官。主要是扫地机器人、无人机等底层运动控制早已PCB好的机器人的导航系统和路径规划。

必须通过环境感官，对自身和目标展开定位、导航系统和运动规划。大脑掌控——环境的理解和交互，也就是机器人明确继续执行交互任务，如掌控机械臂捕捉物体，继续执行操作者等。这是服务机器人必须突破的最重要问题。

几种明确掌控的AI应用于情况1.脊髓掌控类脊髓掌控的两种典型的应用于是机械臂路径规划和无人机的飞行中掌控。这类问题归属于传统自动控制理论，以数学和动力学建模为基础，发展了很多年，早已有了十分完善的理论和实践中基础，也获得了很好的效果。虽然深度自学在最近很热，理论上也可以用作这类掌控。

但目前在这类基础掌控领域，并没应用于。主要原因有可能有：1）工业机器人高精度反复特定动作等，基于自动控制理论早已能从数学上很好的解决问题，且由于理解原理，归属于白盒系统。既然有可信的白盒方案，没有适当替换成黑盒的神经网络控制系统。

2）工业机器人等应用领域，对控制算法稳定性拒绝很高。而作为黑盒方案的神经网络控制系统，数据上还无法证明其稳定性。

神经网络控制器一旦再次发生问题，无法展开说明和改良。3）神经网络算法基于大量数据训练，而现有的运动控制中，比如飞控，获得实际实验数据的成本高，大量数据的提供十分艰难。

2．小脑掌控类小脑掌控典型问题是类人型双足和多足机器人的均衡和运动协调控制问题。这方面仍然是基于传统掌控理论在展开研究，不过由于比起于机械臂或无人机，其运动的维度低很多，难度很大。双足类人机器人给人大多数的印象还是运动功能障碍、笨拙、站不稳。波士顿动力的Altas、大狗等早已是在这方面最先进设备的，波士顿动力学公司未发布他们用于的技术，但谷歌工程师EricJang回应，根据从演说来作的信息，BD的机器人控制策略用于基于模型的控制器，并不牵涉到神经网络涉及算法。

3．环境感官类主要的场景是服务机器人的路径规划、无人机目标跟踪、工业机器人的视觉定位等，通过感官环境，给PCB好的运动控制系统发布命令目标运动指令。目标辨识环境感官过程中的目标辨识，如无人机目标的辨识和跟踪等，有神经网络的协助，可以辨识的更加精确，早已在大疆等无人机上应用于。定位导航和路径规划目前机器人的定位导航，主要基于风行的vSLAM或激光雷达SLAM技术。

主流的激光雷达方案大约可以分三步，中间部分环节有可能牵涉到到一些深度自学，大部分内容并不牵涉到深度自学涉及。第一步：SLAM，建构场景地图，用激光雷达建构场景的2D或3D点云，或者修复出有3D场景。

第二步：建构语义地图，可能会对物体展开辨识和拆分，对场景中的物体展开标记。（有的有可能跳过这一步）第三部：基于算法展开路径规划，并驱动机器人的运动。4．环境交互典型应用于场景：机械臂捕捉目标物体等。

与环境的交互，仍然是传统自动控制难以解决的问题。近年来，以增强自学为基础，AI涉及技术用在了这类问题上，获得了一定的研究进展，但是否是未来的主流方向，仍不存在相当大争议。

本文来源：开云最新下载-www.ethshome.com