1、 云-邊-端的無縫協同計算

  受制于網絡帶寬以及延遲的制約，當前絕大多數機器人3.0 系統是以機器人本體計算為主，云端處理非實時、大計算量的任務為輔的系統架構。機器人的主要任務可以簡單劃分為感知、推理及執行三大部分。為了能夠精準地感知理解環境以服務于人機交互，機器人系統通常集成了大量的傳感器，因而機器人系統會產生大量的數據。 比如采用了高清攝像頭，深度攝像頭，麥克風陣列以及激光雷達等傳感器的機器人，每秒鐘可以產生 250MB 以上的數據量。 如此海量的數據全部傳輸到云端處理既不現實， 也不高效。因此，需要將數據處理合理地分布在云邊端上。

  另一方面，完成感知和理解的AI算法也非常復雜。機器人所使用的AI算法通常需要很強的算力，例如 Faster RCNN 算法在 GPU 上可以達到 5fps 的處理能力，但是 GPU 的功耗達到200W 以上，機器人本體很難承受，從計算成本而言同樣也非常昂貴。 雖然機器人本體計算平臺的計算能力仍在不斷提高，但是相對于AI算法的需求依然有限。 為了完成機器人的計算需求，需要在云和邊緣側提供算力的支持，以實現在大規模機器人應用場景下，更有效、 更經濟的計算力部署。

  隨著5G和邊緣計算的部署，機器人端到基站的延遲可以達到毫秒級，使得5G的網絡邊緣可以很好地支持機器人的實時應用。同時，邊緣服務器可以在網絡的邊緣、很靠近機器人的地方處理機器人產生的數據，減少對于云端處理的依賴，構成一個高效的數據處理架構。

  云邊端一體的機器人系統是面向大規模機器人的服務平臺，信息的處理和知識的生成與應用同樣需要在云邊端上分布處理協同完成。 例如， 匯集來自所有連接機器人的視覺、語音和環境信息， 加以分析或重構后， 被所有連接的機器人所應用。

  因此，在通常情況下，云側可以提供高性能的計算以及通用知識的存儲，邊緣側可以更有效的處理數據，提供算力支持， 并在邊緣范圍內實現協同和共享，機器人終端完成實時的操作和處理等基本機器人的功能。然而由于機器人的業務需求多種多樣，協同計算的部署也不是一成不變的，機器人4.0 系統還要支持動態的任務遷移機制，合理的根據業務需求將不同的任務遷移到云邊端，實現云邊端的無縫協同計算。

  2、 持續學習和協同學習

  在機器學習方面，機器人3.0 主要是采用基于大量數據進行監督學習的方法，這也是目前機器學習的主流方法，而在機器人4.0，還需要加上持續學習和協同學習的能力，才能使得機器人能夠適應更復雜的應用場景。

  在 3.0 時代，服務機器人可以做到一些基本的物體識別、人臉識別，但由于機器人應用對感知識別的正確率要求很高， 盡管這些方法在別的要求不高的領域已經可以滿足應用需求（例如互聯網搜索有 80%的正確率就夠了），但對于機器人應用而言則遠遠不夠。 第一是機器學習所固有的魯棒性方面的問題，深度學習方法也不能幸免，識別結果可能出錯，而且出錯的時候系統也不知道自己錯了，這樣就可能造成服務的失敗和錯亂。

  例如人需要機器人取東西 A，而機器人卻取了東西 B, 輕則鬧笑話，引起用戶不滿，嚴重的可能會造成對用戶的傷害（比如取錯藥品的情況)。魯棒性的問題是目前所有機器學習方法自身的一個通病，因為訓練數據中總是存在著長尾數據無法被準確識別， 該問題很難通過現有的監督學習方法在部署產品前就解決。第二是數據不足，這也是現實應用中普遍出現的情況， 例如用人體特征進行身份識別的時候需要大量的數據（幾百張以上的不同人體姿態、 角度的照片），而這些數據又無法事先獲得。總結下來， 這兩方面的問題都和缺少數據直接相關。

  要解決這些問題必須讓機器人具有自主的持續學習能力。具體說來，機器人可以先通過少量數據去建立基本的識別能力，然后會自主的去找到更多的相關數據并進行自動標注（或通其他方式， 例如與人交互來獲得標注，但要注意盡量減少對用戶的打擾)。 用這些新的數據來對已有的識別模型進行重新訓練以改進性能，隨著這個過程不斷進行，機器人可以把識別的性能不斷提高。具體拿物體識別來說，機器人應該先通過少量數據來建立對該物體的基本識別能力，然后可以自己去找到不同的位置，不同的角度做訓練，不斷提高對這個物體的識別精度，在一段時間的持續學習后達到接近 100%，

  在實際應用中，一個機器人能接觸到的數據是有限的， 其持續學習的速度可能會受到限制。機器人4.0 是一個云邊端融合的系統，如果能夠在機器人間或機器人與其他智能體間通過這個系統來共享數據、 模型、 知識庫等， 就能夠進行所謂的協同學習。 通過云端的模擬器來進行虛擬環境中的協同學習也是一種行之有效的方法， 可以充分利用云的大規模并行處理能力和大數據處理能力。協同學習使得機器人的持續學習能力進一步增強，可以進一步提高學習的速度和精度。

  3、 知識圖譜

  知識圖譜在互聯網和語音助手方向已經開始較為廣泛的應用，尤其是百科知識圖譜。機器人也有百科知識問答類的應用場景， 對于這類的知識圖譜可以直接加以應用。 但不同于通常的百科知識類的知識圖譜，機器人應用的知識圖譜有一些不同的需求：

  1）需要動態和個性化的知識。機器人往往需要對所在的環境和人進行更深入的理解才能進行更好的服務，而且不僅僅是當前的情況， 要對過去發生的一些情況進行記錄（例如要了解老人通常什么時候起床，某個物體一般放在什么位置)。 因此，機器人需要記錄環境里不同時間的人和物、 發生的事件等相關信息，這些都是通用知識圖譜所不能事先提供的，必須在環境里去獲齲 這些動態的個性化知識能很好的對人進行個性化的服務， 例如通過對某用戶的觀察，機器人可以觀察到該用戶的一些喜好，或者一些行為模式， 這些信息可以幫助對該用戶提供更好的服務。

  2） 知識圖譜需要和感知、 決策緊密結合,并幫助實現更高級的持續學習能力。 從人工智能發展的歷史看，單一方法很難徹底解決AI問題，前面的介紹也提到不論符號方法還是統計方法都已經顯現了瓶頸，而且目前在單一方法里都沒有很好的方法解決這些瓶頸問題。按照明斯基的分析，未來需要多種方法結合的AI系統。從最近幾年的研究進展看，這也是未來人工智能取得進一步突破的必經之路。所以不同于以往知識圖譜和計算機視覺等統計方法基本是獨立運作的做法，知識圖譜必須和感知決策更深入、 有機的結合。

  具體來說，知識圖譜的信息是從感知中獲取的，通過基礎的感知，加上場景理解，獲得的信息可以存入知識圖譜，然后這些知識可以進一步進行模式的挖掘（比如時間空間相關的模式） 來獲得更高層的知識。 知識圖譜的一些知識又可以作為環境上下文信息提供給感知算法來進行連續學習，從而實現自適應的感知算法。從某種意義來說，這已經不是傳統意義上的純符號方法的知識圖譜，而是一種混合的知識圖譜，即符號方法和統計方法結合的知識圖譜。這也是未來很有潛力取得突破的一個方向。

  由于云邊端融合的需要，知識圖譜會分別存放在機器人側，邊緣側和云側，其接口可以采用統一的接口以利于系統對知識圖譜進行統一的調用。由于協同學習和實時處理的需要，知識和其他相關信息（如數據，模型等） 還可以通過云側、 邊緣側來進行共享，通過一定的冗余備份來達到更高的實時性。這類似于計算機架構中的高速緩存機制(Cache), 比如部分存儲在云端的知識經常被調用， 可以緩存到邊緣端或機器人端提高其存取的速度。在5G網絡下，延遲本身不是大問題， 主要考慮更充分的利用邊緣端和機器人端的計算能力，達到整體資源的最優利用。

  4、 場景自適應

  有了持續學習和知識圖譜, 系統在感知方面的魯棒性大大提高，也在場景分析方面獲得了 豐富的信息并存在知識圖譜中，這就使得機器人能夠根據當前的場景進行相應的行動。

  場景自適應技術主要通過對場景進行三維語義理解的基礎上，主動觀察場景里人與物的變化，并預測可能發生的事件，從而產生與場景發展相關的行動建議。 例如在養老/助老應用中老人端著一碗湯走向冰箱，機器人可以通過以往的經驗或知識預測老人是要去開冰箱放東西，就可以幫老人打開冰箱。再例如，機器人看到地上有一塊果皮，預測可能會導致老人摔倒，這時機器人可以主動撿起果皮（機器人配備了手臂操控的情況下） 或站到果皮邊并警告老人。

  這部分的關鍵技術是場景預測能力。場景預測就是通過對場景里的人、 物、 行為等的長期觀察，并結合相關的知識和統計模型來總結出一些個人偏好或行為模式，并據此來預測目前場景要發生的事件。過去人工智能的符號方法中框架、 腳本表示在這里可以作為知識表達的形式，但更關鍵的是需要把符號方法和統計方法結合起來，從而解決以往單獨用符號方法無法解決的問題（比如缺少學習能力）。這部分的研究還處于比較初期的階段，但相信在基于持續學習、知識圖譜等技術充分結合的基礎上，該方向在未來幾年會有較大的突破。 最終使得整個機器人的閉環系統， 即感知認知行動，變得更加智能和人性化。

  云端融合在這里起到非常重要的作用，尤其是知識的共享方面。 例如前面的水果皮的例子，這方面的模式可能發生的不多， 在單個機器人的情況下可能從來沒見過這個情況，也就無法知道是危險的。 如果通過云邊端融合，只要有一個機器人看到過這個危險情況的發生，就可以把該知識分享給所有的機器人，所有的機器人就可以去預測這些危險情況了。 除了通過在實際的物理世界中觀察， 在云端通過大規模的模擬來預演生活中可能發生的情況，可能也是另外一個有效的方法來獲得更多的事件模式。

  四、 云端大腦

  為了讓機器人具備通用智能，包括類人的感知和認知能力， 類人的動作行為和類人自然交互能力，并同時最大限度地保障機器人的運行安全，需要構建類人“大腦”的智能體。 目前機器人本體計算能力有限，必須通過可以無限擴展的云端計算能力來提供智能機器人所需的能力。通過無線5G通信網絡和一個安全高速骨干網絡構成機器人“神經網絡”， 實現機器人本體和云端大腦的連接。云端大腦包括機器人視覺系統、對話系統、運動智能和極限現實系統等技術，其通過人工智能算法不斷訓練進化，使得前端機器人本體智能隨之迅速提高。因此，采用云網端結合的智能機器人系統架構，具有更強的適應性和擴展性，如圖所示。

用云網端結合的智能機器人系統架構

  五、 邊緣智能支持多機器人協作

  未來的多機器人邊緣智能系統架構圖如下，主要分為幾個主要部分。

機器人邊緣智能系統架構圖

  數據采集 。針對不同類機器人或智能設備的數據，搭建統一的數據信息集成平臺，形成設備“縱向”（設備端管理層）與“橫向”（設備產業鏈各環節之間）的二維信息聯通平臺，篩選出真正有用的數據，重點是將“原始數據”變為“有用數據”。

  邊緣計算 。利用網絡計算資源，將知識鏡像建模和知識挖掘，在網絡層中形成實體的鏡像對稱模型和大數據環境，通過對實體運行歷史數據中的關聯性和邏輯性進行挖掘，產生能夠支持決策的制造知識，重點是將對數據的洞察變為支持決策的知識，形成知識庫。邊緣計算設備作為邊緣設備的輸出端，需要較高的實時性與擴展性。面對復雜的 IT 與 OT 設備混連的環境，我們需要有按照優先級處理事件的方案或者協議，比如 TSN。而作為云端的輸入端則需要較高的穩定性。我們需要對邊緣計算設備做冗余以避免整個生產線失控的場景，比如分布式架構。 而其自身的邊緣智能則需要較強的浮點運算能力以進行智能分析與決策，比如使用專用的加速芯片。

  邊緣智能 。邊緣智能部署在邊緣計算設備上。與端設備，采用的 TSN 硬件協議與 OPC應用協議，最大限度保證了 IT 與 OT 的通信實時性與效率。與云設備，則是采用了 TCP 傳輸數據與 RPC 進行遠程調用，保證了數據傳輸的安全穩定性，降低云端與邊端之間的通信開發難度，提高系統穩定性與擴展性。

  (1) 智能分析。將隱性問題顯性化，通過設備端的智能分析，準確評估設備真實的健康狀態（安全性，可靠性，實時性和經濟性等多個維度）和未來趨勢，并能夠對潛在的故障和隱性問題進行預診和定位，為設備使用、維護和管理的智能決策提供重要決策支持依據，重點是將“有用數據”變為“有用信息”。

  (2) 智能決策。對狀態的識別和決策，以優化、協同為核心手段，基于裝備真實健康狀態和衰退趨勢，結合用戶決策的定制化需求，提供設備使用、維護和管理的最優決策支持，并達成任務活動與設備狀態的最佳匹配，以保障生產系統的持續穩定運行（近零故障運行），將有用的信息變為最優決策。

  邊緣應用。形成工業的典型應用場景，不斷對于智能系統的動態優化和重構，將智能優化后的決策同步到設備的運行和企業資源運營的執行系統中，實現決策與價值的閉環。

云邊端系統結構

  (1) 優化生產線工藝流程。針對生產線中多機器人協同作業存在的作業時間不一致、 路徑沖突等問題，基于多機器人協同工藝優化方法， 挖掘多維工藝參數與作業效率、節拍之間的隱含關系，以生產作業效率、 路徑最優為目標， 實現基于群體智能的多機器人協同作業工藝參數與運動軌跡優化。

  (2) 完善生產的運營管理數據，為更好的決策提供數據基矗依據機器人的設計工藝、應用工藝，在三維環境下對機器人進行軌跡規劃、可達性分析以及干涉檢驗等仿真； 通過機器人作業效率分析實現對工藝方案的評價及優化。根據機器人生產線工藝規劃、多機協同作業規劃、排產及物流控制方案，驅動三維模型進行生產過程模擬，依據仿真結果進行機器人及其所在單元的應用工藝設計或優化過程的校驗與評估，實現機器人生產線運行效率、節拍平衡等目標優化。將仿真分析結果反饋至設計和應用環節進行驗證；更新機器人工藝設計知識庫，實現工藝操作透明化及工藝過程自主優化。

  綜上，邊緣計算是擴展機器人個體智能的途徑。在未來的多機器人協作過程中，對于機器人的預測性維護，生產線的智能排產等方面也都是機器人在邊緣智能的重要應用方向。邊緣智能技術通過協同機器人設備與邊緣服務器，利用深度學習模型優化，深度學習計算遷移等方法，使機器人在未來的使用中，能更好的自主決策，同時也讓產線變得更智能，能夠支撐生產計劃靈活適應產線資源的變化，最終使產線變得柔性化、 個性化、 智能化，實現智能制造的升級。

  智東西認為，邊緣計算是最近幾年提出的新概念，其推廣和落地非常依賴于具體的應用，尤其適用于對實時性要求較高的場景。機器人應用正是非常合適的應用場景。邊緣實時計算加上云計算的無限處理能力，可以大大提升機器人本體的人機交互和場景自適應能力，也會增強自主移動和感知能力。通過基于5G的云邊端一體化，機器人本體的能力設計具有很大的彈性空間， 從而解耦對機器人本體硬件能力的依賴，降低成本，推動大規模的部署就成為可能。