雷锋网 AI 科技评论按：ICRA 全称为“IEEE International Conference on Robotics and Automation”（机器人与自动化会议），是机器人技术范畴最有影响力的国际学术会议之一。ICRA 2017 于 5 月 29 日至 6月 4 日举行，雷锋网 AI 科技评论重新加坡带来一线报道。该会议举行时期，雷锋网将围绕会议议程及获奖论文展开系列专题报道，敬请等待。

明天是继续一整天的 workshop／tutorial，作为贯串整个 ICRA 大会的重要环节，仅明天的议程就包括了两个辨别为半天的 tutorial 及 11 个全天的 workshop，辨别涵盖鲁棒感知、基于感知的物体抓取、亚马逊抓取应战赛处理方案、软体机器人等多个议程。

虽然 keynote、session 等多个重磅环节今天才开端，但明天的 ICRA 2017 会场曾经是繁华十分。明天的次要议程都在四楼停止，每个房间大约能包容 100 人，雷锋网复杂环顾一圈，发现根本上每个房间内都坐满了人，有的学者甚至只能站在最初听讲，但即使是这样，也抵御不住求知的猎奇。

走廊上的茶歇也成为了学者们交流的绝佳场所。来自加州伯克利大学的 Menglong Guo 通知雷锋网，由于议程十分多且范畴十分细分，他也只能走走看看。「并不是每个（范畴）都很理解，也有些听不懂的名词。」看来真是隔行如隔山呢。

由于议程过多，雷锋网 AI 科技评论只能忍痛割爱，选择了比拟感兴味的一个 workshop「Sensor-based Object Manipulation for Collaborative Assembly」（协作组装中基于传感器的物体操作）停止理解。

在过来十年里，从基于物理建模到基于传感器的学习，抑或是从集体机器人到人机协作，不管是学界还是业界，对协作组装中基于传感器的物体操作的研讨兴味日积月累，且曾经成为一个前沿研讨范畴。

不过这一研讨方向仍然面临以下成绩：

1）机器拆卸义务需求怎样的控制战略与终端执行？如何完成改良？

2）如何模仿人与机器之间的协作，使组装义务可以效益最大化？

3）如何让协同义务借助学习的方式设计高效控制器？

而本次 workshop 便是综合学界与业界单方的意见，从协同组装义务规划、硬件优化、控制战略、机器控制学习及基于触觉，力和视觉反应的传感器交融等多个方面尝试处理上述成绩。

而约请到现场做演讲的嘉宾包括了五位学界人士与五位产业界人士，辨别是：

从约请嘉宾可以看出，ICRA 的 workshop 对学术界与产业界异样注重，且希望在同一个平台上碰撞出思想的火花。

在上午的议程完毕后，雷锋网(大众号：雷锋网) AI 科技评论与南佛罗里达大学的孙宇博士停止了交流。孙宇博士在去年已经作为演讲嘉宾离开 CCF－GAIR 的舞台，并做了题为《机器人乖巧手抓取的复兴》的演讲，他以「如何给机器一双乖巧的手」为主体，回忆论述了类人机器手的开展历程。那么在本次的 ICRA 上，孙宇博士又会带来怎样的最近研讨停顿呢？

孙宇博士表示，最近他们开端尝试用 RNN（recurrent neural network）的方式训练机器完成「倒」（pouring）的举措。倒水关于人类而言虽然是一个十分复杂的进程，但是关于机器人则不然。难点在于，水的运动十分复杂，但是机器很难对此停止判别和控制。孙宇博士近期经过 RNN 模型训练机器倒水，经过判别水的流速、容器的大小反应给力的传感器，进而让倾倒的进程变得顺畅。

训练这个举措可以让效劳机器人在日常生活中的使用变得愈加顺畅，尤其是烹饪机器人。孙宇博士通知雷锋网 AI 科技评论，最常常运用的举措首先是「picking／grasping」（抓取），其次便是「pouring」。当然，pouring 并不止于倾倒液体，不管是豆子还是青菜，机器在烹饪进程中能够发生的一切倾倒举措，都不再成为成绩。此外，RNN 的学习进程可以让倾倒进程愈加流利，即便没有训练过倾倒的内容和对应的倾倒容器，机器仍然可以顺畅地完成这一举措。

而延伸到 ICRA 会议，孙宇博士表示，本次会议他比拟诧异的中央在于，基于制造业的推进，研讨范畴又重新关注起机械臂集成成绩，他本人对这一变化也深有领会，在去年先后失掉来自三星、华为等手机厂商的反应，工业界组装的使用环境和目的曾经发作了很大的改动，但是学者们还没有跟进这一成绩的处理。

首先，传统的组装是靠磨具制造，产品的周期能够是一到两年，因而磨具的运用年限也比拟长，也不需求停止改换。但如今以 3C 为代表的产品，生命周期比拟短。关于手机消费商而言，能够很短工夫内就会有一个小的改良，那么磨具的迭代速度也会变慢。

其次，厂商能够会消费不同品种的产品，周期有长有短，那么假如基于原来的组装形式，流水线的改换也会十分频繁。而随着对灵敏性的要求变高，固定的流水线曾经不再顺应现有的制造业。

因而，基于编程的灵敏机械设备就成了制造业亟须改良的局部。但这也对机械臂的设计提出了很大的应战，以电子产品为例，产品的精密水平十分高，因而需求基于力反应自行停止调整。「全体而言，机器学习和深度学习在将来的使用会越来越多，但机器学习的成绩就是没法 verifying，那么也就在很大水平上影响了它在物理零碎上的使用。」

孙宇博士曾屡次基于「bring AI into the physical world」做过演讲，「AI 在虚拟世界中曾经十分凶猛，深度学习之所以做得很好，一方面是由于此前的研讨根底，另外就是数据的支持。但 AI 离使用于物理世界还有一段间隔。我觉得次要缘由有几个方面，首先是做 AI 的研讨者对机器人使用的 verifying 的关注度还是会低一些，其次是机器数据搜我国这片创新热土正在发生一场全面而深刻的产业结构变革。集进程并不复杂。比方自动驾驶可以经过传感器搜集数据停止训练，那么假如换一个传感器，数据能否需求重新搜集？」因而，孙宇博士以为次要的处理方案也需求从这两个方面做起。「首先是添加 AI 研讨者对机器的研讨，其次是对数据的低本钱获取。」以孙宇博士本人的研讨项目为例，他的实验数据都是本人搜集的，次要包括 RGB－D、视频、图像及举措数据等。

而在往年，孙宇博士也未来到 CCF－GAIR 大会，假如你也想到现场与孙宇博士交流，欢送购置限时六折票参与。