妈妈你看！AI机器人要建造全自动化零食工厂啦！ 妈妈：你做梦

全文共3356字，预计学习时长10分钟

来源：finance.sina

《查理和他的巧克力工厂》不知道大家看过没？从小小芯就被里面的各种糖果小零食“勾引”，无数次做梦梦见自己也拥有这么一座神奇的全自动化零食工厂。（虽然它本质上是一部魔幻电影）

 来源：m1905

但其实，很多科幻电影里也有这样的场景设定，全自动化工厂，自己生产零件，自己装配，自己打包，自己运输，自己卖掉自己，工厂不再需要工人啦，大家躺在家里，“坐吃等死”就OK啦。

快醒醒！

理想很丰满，现实很骨感。长期以来，尽管制造业一直被视为自动化程度最高的行业，但是全自动化工厂似乎仍然遥不可及。

等等，咱不是有人工智能机器人吗？

那……有可能吗？

据不肯透露姓名的业内人士表示，人工智能机器人技术也许真的可以改变这一现状。

那么，更加灵活且具有自主学习能力的机器人将如何改变生产过程和行业格局？公司应该如何应对机器人技术2.0带来的颠覆性创新呢？

              来源：Pexels              

今天，我们就将重点介绍人工智能在制造业的应用。

目前，机械臂和自动化设备大多用于该行业。但是，令多数人吃惊的是，仍然有很多生产过程要手动完成。

“前途近在咫尺——只不过时隐时现罢了。”
——威廉·吉布森

制造自动化的现状

国际机器人联合会（IFR）最近发布的一项报告显示，2018年的国际工业机械臂出货量创下新高，达到了384000个。中国仍然是世界上最大的市场（占比35%），日本和美国紧随其后。

汽车和电子制造业仍然是使用工业机械臂的最大市场（60%），远远超过包括金属、塑料、食品在内的其他产业。在第一篇文章中也讨论了其中的具体原因。

来源：国际机器人联合会统计部

来源：国际机器人联合会统计部

这个时候，你可能很困惑：

工业机械臂几十年前就引入了制造业。自动化应该已经应用到了任何有可能涉及自动化的领域。还剩下什么创新空间呢？

出人意料的是，即使是自动化程度最高的汽车产业想要变成完全自动化的工厂，也还有很长的路要走。

比如，大部分的汽车装配仍然是手动完成。这是劳动最密集的汽车生产过程。一家汽车工厂中，平均有三分之二的员工在装配线上工作。

特斯拉首席执行官埃隆·马斯克，一直以来都在追求创新并倡导高度自动化，但他还是公开承认特斯拉生产线自动化的发展并未达到预期。

为什么自动化如此困难？到目前为止，自动化尚未克服的技术限制是什么？

自动化尚未克服的技术限制

1.  灵活性和适应性

如今的自动化生产线是为大批量生产而设计的。自动化有效地降低了成本，但它也削弱了生产线的灵活性。产品生命周期越来越短，体积越来越小，但定制生产越来越多，这就需要更高的灵活性。通常情况下，人类比机器人更能适应变化。

2.  灵巧性和任务复杂性

尽管技术发展迅速，但人类仍然比机器人更加灵巧。我曾与电子合同制造商有过交流，从中了解到，尽管装配过程已经高度自动化，但配套采购过程主要还是手动的。

在制造业和仓储业中，配套采购十分普遍。这是提高生产效率的重要一步。它指的是收集装配产品所需的各种零件，把它们打包放入工具箱。

然后，机器人从工具箱中取出零件进行装配。因为每个零件的位置和角度都是固定的，所以装配阶段的自动化相对容易。相反，所有的零件在盒子里是无序摆放的，配套采购阶段则必须要识别出它们，再把它们从盒子里取出。每个零件的位置都不一样，因此可能会发生重叠或混乱，这对传统的机器视觉和机器人技术形成了挑战。

3.  视觉反馈和非视觉反馈

许多复杂的装配操作都依赖于人工操作员的经验和“直觉”。无论是安装汽车座椅还是把零件放入工具箱，这些看似简单的动作都要求操作员根据视觉和触觉信号调整各种动作的角度和力度。

传统的自动编程对此类微调任务没有什么用处，因为每一次取出或放置零件都不是完全一样的。完成这类任务需要人类的学习能力，以及多次尝试后进行归纳的能力。掌握了这样的能力，尤其是深度学习和强化学习，可以给机器人带来最大的改变！

KIT工具箱——来源：kitting-assembly.ca

机器人技术2.0：人工智能机器人可以执行哪些以前无法完成的任务？

人工智能给机械臂带来的最大改变是：过去，机械臂只能重复执行工程师的书写过程。尽管精确度很高，但它们却对环境和过程的变化束手无策。

得益于人工智能，机器现在学会了独自处理各种对象和任务。具体来说，和传统机械臂相比，人工智能机器人已经在三个主要领域取得了重大突破：

重大突破

1.  视觉系统

在确定深度、距离以及识别透明包装、反光面或可变性物体方面，即使是最先进的3D工业相机也不具备人眼的准确度。

这也就是为什么很难找到一台能够提供精准深度且能识别大部分包裹和物品的相机。但是，人工智能的出现，很快改变了这种现状。

在过去几年，机器视觉已经取得了巨大进步，包括深度学习、语义分割和场景理解方面的创新。

这些创新已经提高了商用相机的深度识别和图像识别能力，制造商无需购买昂贵的相机便可获得准确的图像信息，并能成功识别透明或反光物体的包装。

深度学习物体识别实例，从左到右依次是：Mask-RCNN，对象建模，包围抓取点预测——来源：OSARO

2.可扩展性

深度视觉与传统的机器视觉不同，它不需要预注册或为每个物体建立三维CAD模型。人工神经网络会在训练之后自动识别图像中的物体。

无监督学习或自监督学习也可以用来减少手动标记数据或特征的需要，从而使机器学习和人类学习更加相似。

机器语言减少了人工干预，因此机器人能处理新零件，工程师也无需重写程序。机器通过操作所收集的数据越来越多，机器学习模型的准确度也将进一步提高。

目前，一条典型的生产线通常包括振动台、给料机、传送带等周边设备，以确保机器人准确取出所需的组件。

如果机器学习得到了进一步发展，机械臂也变得更加智能，那么或许有一天，我们不再需要这些比机械臂还要贵四五倍的外围设备。

另一方面，深度学习模型一般存储在云端，因此机器人之间可以互相学习，共享知识。比如，如果一个机械臂用了一晚上时间学会了如何组装两个零件，那么它可以把这个新模型更新到云端，与其他机器人共享。这节省了其他机器的学习时间，也确保了质量的一致性。

3.智能放置

一些对我们来说看似简单的指令，在机器人看来却是极大的技术挑战，比如谨慎处理或把物品摆放整齐。如何定义“谨慎处理”？是物体一碰到桌面就立即停止施力？还是将物体移动到离桌子有6厘米远的地方，然后让其自然掉落？抑或是在你不断接近桌子的同时逐渐减速？这些不同的定义如何影响放置物品的速度和精确度？

把物品摆放整齐更加困难。即使我们忽略掉“整齐”，我们也必须先从正确的位置拿起物品，然后准确地把它放在理想的位置和角度：机械臂仍然不如人类灵巧，而且大多数机械臂目前仍在使用吸盘。要想拥有人类关节和手指那样的运动技能，机械臂仍有很大的改进空间。

  来源：Pexels

其次，我们需要即刻确定要抓取物体的角位置和形状。以上述图片中的杯子为例，机械臂需要知道：杯子口是朝上还是朝下？它应该侧着放还是立着放？有没有其他物品或障碍物挡路？通过这种方式，机器人就可以确定杯子放在哪里可以最有效地利用空间。

我们从出生起就一直学习各种各样捡起和放下物品的活动。这些复杂的活动可以靠本能完成。但是，机器没有这样的经验，因此必须重学这些活动。

现在，机械臂利用人工智能可以更加准确地判断深度。它也可以通过训练进行学习，并确定杯子口是朝上、朝下，还是处于其他的状态。

对象建模或体素化可用来预测并重建3D物体。这两项技术让机器能够更准确地绘制实际物品的大小和形状，并更准确地将它放在指定位置。

唔……

有点意思，就是不知道小芯的“全自动零食工厂”啥时候能造出来，一直在等待……

推荐阅读专题

留言 点赞 发个朋友圈

我们一起分享AI学习与发展的干货

编译组：周果、王馨

相关链接：

https://towardsdatascience.com/its-here-how-ai-robot-will-revolutionize-manufacturing-44ce784438d4

如需转载，请后台留言，遵守转载规范

推荐文章阅读

ACL2018论文集50篇解读

EMNLP2017论文集28篇论文解读

2018年AI三大顶会中国学术成果全链接

ACL2017 论文集：34篇解读干货全在这里

10篇AAAI2017经典论文回顾

长按识别二维码可添加关注

读芯君爱你