【ZiDongHua 之自动化学院派收录关键词：机器人 人工智能 智慧城市  】
　　
　　【WRC大咖论道】英国爱丁堡大学教授Sethu Vijayakumar：《从自动化到自主化—下一代机器人的生成式人工智能》
　　
　　2024世界机器人大会以“共育新质生产力 共享智能新未来”为主题，为期三天的主论坛和26场专题论坛上，416位国内外顶尖科学家、国际组织代表、院士和企业家聚焦前沿技术、产业动向和创新成果，深入研讨人工智能与机器人技术深度融合带来的新趋势、新机遇，共同打造了一场十分精彩的机器人领域前沿观点盛宴！
　　
　　在8月24日上午的主论坛上，英国爱丁堡大学教授Sethu Vijayakumar以《从自动化到自主化—下一代机器人的生成式人工智能》为主题发表演讲。
　　
　　数说2024世界机器人大会
　　
　　论坛
　　
　　26 家国际支持机构
　　
　　3 大主题 26 场专题论坛
　　
　　416 名国内外顶尖科学家、国际组织代表、院士和企业家
　　
　　74 位国外嘉宾及港澳台嘉宾参会
　　
　　线上线下听众达 160万 人次
　　
　　展览
　　
　　27 款人形机器人集中亮相
　　
　　首发新品 60 余款
　　
　　近 170 家参展企业 600 余件参展产品
　　
　　参观人数近 25万 人次
　　
　　大赛
　　
　　全球 10 余个国家和地区的 7000 余支赛队
　　
　　13000 余名参赛选手
　　
　　每天参赛人数 4000 余人
　　
　　媒体关注
　　
　　近 400 家国内外媒体
　　
　　短视频平台话题播放量达 2.9亿
　　
　　以下是对话内容实录
　　
　　Sethu Vijayakumar（英国爱丁堡大学教授）
　　
　　非常荣幸，也很高兴回到世界机器人大会的会场，每次来到北京，我都很兴奋。接下来我希望跟大家分享的是我们在爱丁堡机器人中心方面的近期研究，跟大家分享很重要的三点，当我们来做好的机器人的时候，需要注意这些原则。
　　
　　我想各位已经都非常了解机器人技术的重要性，它正在帮助人类解决大量的社会问题，像传统领域的制造业，它也进入新的领域，像移动或者是智慧城市的建造。当我们说到机器人的时候，15年、20年前，机器人当时的用途是通过编程来给它们自动执行任务的能力，就是所谓的自动化。但是在新的时代，我们需要从自动化变成自主化，就机器人需要自主来做出决策。
　　
　　我们认为未来的一个时代，机器人是可以无缝的从完全遥控的系统对接到完全自主化的系统，以及中间的一个无缝协同，取决于它要执行的任务是什么，为什么这样一种共享或者是合作式的自主非常重要。
　　
　　因为在很多的案例当中，我们没有其他选择。如果我们希望应对一些社会上重大的挑战，比如说老龄化社会、粮食安全、制造业需求，我们做很多的像北京上海大城市的市政环境维护。可能通过人力高效完成庞杂的任务不可行，我们需要机器人有可靠并且稳健的方式来帮助我满足相应的需求，所以这是我们做的一个案例。我们当时要求机器人也是要有位置控制，判断可以在这样海上游戏平台完成部署。我们做了海上游戏平台缩小模型，机器人需要在上面执行一些比如开门、拧阀门、操作负载，而且这个负载是未知重量，机器人要自我判断。
　　
　　给大家看一下视频，我们是如何让机器人完成这些任务的呢，你会发现机器人会在两个模式中进行转换，一个是完全自主的方式。机器人用全身控制，不是仅仅控制机械臂或者腿，是全身会有协同控制，而且切换不同的模式。比如说行走还有做机械臂操控，算法会自主做出决定，并且会有一定冗余。比如拉拉杆，机器人要用什么样的力，用最低的阻力和噪音完成任务同时不施加过多的力。而且它会无缝衔接到操作人员的控制，比如说有这样的物体出现，我们需要有特定的任务。
　　
　　机器人就可以通过远程进行控制，然后又把这个问题回到机器人那。因为对于人来说数学计算比较困难，我们就会和机器人说开门，用最有效和最可靠的方式打开这扇门。机器人需要保证这个门打开足够的空间让自己来通过。可以看到机器人爬上斜坡，试图在这里开门之后移动一个物体，但是他不知道这个物体的重要。触碰到物体之前不知道这个物体负载有多大。
　　
　　所以我们需要注意施加的扭矩和力，但是很快能够计算出来所需的力和扭矩，机器人需要自我很快计算。这是未知重量的负载，机器人就开始拉这根绳子，然后它会向后退，借此衡量一下所需的力并且做实时调整，这就是我给大家说到的案例。
　　
　　但是我稍微说深一点，要执行这样的任务需要什么？这里有几点，首先是找到合适的表达。幻灯片上您可以看到很多不同的拓扑表达，我们会使用在不同的事物上。比如说探入一个盒子里来移动一写软性材料，今天我们日本这位教授说到了，在织物处理方面这种柔性软性的材料处理起来很困难，所以对于机器人来说要拾取搬运这些软性物料确实很困难。我们需要它完成任务而且以最有效率的方式完成任务。
　　
　　在任何情形下我们需要关注的是它不仅仅是让机器人在经典场景中工作，我们也希望机器人做得更好，在系统当中使用拓扑架构，让机器人更好地进行导航、操作。并且相应的拓扑表达中做最合适的映射。
　　
　　其次是确定性。如何应对不确定性，要注意合规的驱动设计和刚度控制。不可以用计划策略保证安全，有时候必须以硬件方式，从一开始设计新颖的被动柔顺机制应对意外干扰和通常的通用的不确定性。在现实世界的约束中通过算法处理、刚度控制，因此我们有一些系统是自己做的，有的是合作做的。最大的挑战是我们必须要有正确的硬件。对不同的任务，必须想什么样的算法是最好的可以控制它，适用不同具体的任务。
　　
　　刚才演讲者讲到了，我们要用合规的驱动设计和刚度控制，包括合规执行器，除了解决扭矩、刚度和系统动力学之外，也要解决如何用同样的方法论来控制不同的目标。比如说如何为系统提供动力，要有最优的控制方案，这涉及到扭矩、刚度的选择、系统动力学模型。
　　
　　刚才另一位讲者讲到了多尺度的推理规划和逻辑，用于处理多个抽象的基于推理的技术目标，这里不细讲。还要学习预测和适应，这是我学博士时候做的研究，这个很老了。我们可以在高维度增量在线学习进行神经计算，可以从数据学习，解决现代动态任务。
　　
　　大家可以看到在这个工作背后驱动的软件，所以它可以实现预测后果适应任务目标以及意图。并用策略中的等价性在动态变化下进行局部重新处理，规划被动刚度优化以及由关系指标引起的虚拟刚度控制。
　　
　　我们可以使用任意规模的技术适应性，动态快速地在线学习适应，结合动态适应快速重新规划方法，高效地与任何规模进行嵌入式或者在云实施。所以目前项目组合可以实现共享资质，包括灾后重建、重型机械远程操作。
　　
　　在伦敦的地下做电缆铺设，而不是整个城市，其中有些计算算法可以实现自动化，去伦敦可以看到线路非常好。我们在NASA空间站做了一些简单的工作，NASA需要我们在极端环境下部署机器人，机器人可以在不平坦的地形进行高自由度控制使用。比如规划无碰撞静态平衡全身的预抓配置，它的重点在自由度和任务困难方面进一步拓展边界，自动适应任意倾斜地形，对于很多工业领域非常重要，包括飞机、工业机器人在上海做了C191型号，191飞机在上海建造，那时候使用了全线自动化和机器人。
　　
　　这是用传统制造包括固定底座平台以及大型家具，在装配过程中使用了自动化人类和机器人不同空间或者时间进行工作。
　　
　　在日本也有一些部署，自动适应在日本东京的咖啡厅里面，人机协作，机器可以自动做一些任务，这背后有一个人其实是有身体障碍的，他利用机器人可以做他原来不能做的工作。这是一种人机协作，通过传感精准定位和操作进行协作的运行计划，提高灵活性与环路中的人员控制，提高可靠性。在这种社交环境中，机器人可以让人们重回工作岗位。如果没有它的话，残障人士可能没有办法从事这项职业。这杯咖啡非常贵，但是值得。
　　
　　最后，我想简单提一下，自适应辅助机器人，用人机三元协作框架，这里的人可以是病人或者任何一个第三方，可以帮助这个人进行出行。不一定是人形机器人，也可以是外骨骼或者框架式的东西，或者是简单的模拟器，可以适应自适应辅助。人与机器人三元协作框架，是由英国皇家学会发布的，所以作为优化问题的合作、适应性的工作，帮助这些有需求的人士。
　　
　　提一下我现在正在着手解决的公式化问题，举个例子，关键要求最大限度减少人类代理的人体工程学风险，推广到各种三方协作场景，自然设置为优化问题，生物力学计算模型使我们能够获得详细的人体工程学测量。可以辅助病患的生活，在病人、护理员和外骨骼之间进行形成稳定性的腰椎复合支持。确保患者安全性、稳定性，同时最大限度减少护理人员人体工程学危险，能够稳定编辑编码来预测跌倒风险。通过腰部复合编码，护理人员受伤风险也减低了，这是通过反向肌肉骨骼最佳控制学习的成功立案。这是康复，用外骨骼进行跟踪，在辅助康复中平衡轨迹。
　　
　　未来我们的工作方向是什么？现在还有潜在的开放科学挑战，包括安全的驱动，动态的人机交互。在居家环境下安全、舒适地操作。不光是软件方面，硬件方面也一样。用技术来进行跑步模拟，在软件中能够实时适应，比如具有学习动力学的MPC以及硬件在环境中符合多保真度的驱动。
　　
　　我们做了很多工作，减少模拟与真实的差距，进行真实的训练和测试，比如数字孪生、可验证和可解释的方法，了解部署系统的局限性和漏洞。这是阿瑟克拉克说的，我们倾向于在短期内高估计数，从长远来看低估计数。我们必须警惕，同时要意识到长远来看可能低估了技术，今天这句话依然是非常警醒人们的。
　　
　　最后给大家放一段视频，这是我们实验室做的，看一下我们工作人员付出的辛苦努力。
　　
　　（播放视频）
　　
　　我就说到这里，非常感谢，有机会在主论坛上跟大家分享最近的机器人智能，大家如果有问题的话，欢迎会后跟我交流，谢谢大家！
　　
　　（本文根据录音整理）