要完成自主，机器人不仅仅只需求人工智能(AI)，还需求许多传感器、传感器交融以及边际实时推理。由于深度卷积神经网络的长处已得到公认，激光雷达对更为先进的数据处理的需求正在把神经网络面向新的拓扑结构，以完成自主。
榜首个机器人在20世纪50年代末、60年代初诞生，但严厉意义上它不算机器人，仅仅一台“可编程的物品传送设备”，它被用于移动通用汽车公司出产线上压铸机周围的产品。1954年专利的榜首句话强调了本发明的可编程性和通用性，而且标明可编程性要求传感器保证程序、希望轨道或功用和实践运动之间的共同性。
时至今日，机器人并没有彻底违背开始的概念：现在的机器人是可以进行编程的。它们需求感知本身的环境，以保证所做的作业和被设定要做的作业是共同的。而且，它们需求在本身的环境中移动。曩昔50-60年来所发生的改动首要是在杂乱性、速度以及运用这些基本概念的范畴方面有所添加。
尽管榜首批机器人首要用来移动压铸件，但机器人之父约瑟夫·恩格尔伯格（Joseph Engelberger）深受阿西莫夫机器人榜首规律的影响——机器人不得损伤人类，或看到人类遭到损伤而冷眼旁观。他把机器人布置在可以保护人类的当地。保护人类也是传感器数量不断添加的驱动力，特别是在协作机器人（cobots）或主动扶引车（AGVs）中。
是什么推进着机器人工业的开展？
为了更好地了解对自主机器人的寻求，让咱们回忆一下Alex Wissner-Gross的“智能规律”方程式：它是一种熵力，解说了机器人学的开展趋势：
F = T ∇ Sτ (1)
其间F指的是使未来举动自在最大化的力，T指的是界说全体强度的温度（可用资源），以及S指的是时刻规模tau内的熵。
机器人学作为一门工业和科学，其方针是经过添加嵌入式模仿智能来最大极限地进步未来机器人举动的自在度。这就需求：
l 有更多的传感器来取得更高精度的机器人周围环境模型。
l 有更好的传感器衔接到操控算法（和更涣散的操控算法）。
l 有更好的算法从传感器数据中提取尽或许多的信息。
l 有更好的执行器来依据操控算法的决议计划更快更精确地举动。
无妨看一看当今的科技范畴，机器人现已取得了很大的自主性，而且正在运用来自互补性氧化金属半导体相机传感器、激光雷达和雷达的传感器来习惯各式各样的运用。尽管相机的视点分辨率和动态规模比雷达大得多，但相机不能供给激光雷达所具有的动态规模，也不能在烟雾弥漫或多尘的环境中作业。
图1：工厂环境中的现代机械臂示例。
由于机器人被规划成习惯最广泛运用的最灵敏的挑选，因此它们需求在低光、多尘或亮堂的环境中作业。这种灵敏性可以经过组合传感器信息——aka、传感器交融来完成。换句话说，不同传感器的信息可用于重建机器人环境的弹性表明，然后在更多运用中完成自主性。例如，假如一个相机被暂时掩盖，则其他传感器有必要可以使机器人安全运转。为保证机器人能对其所在环境有全方位的了解，机器人传感器数据需求以限时的办法进行路由，并用少数的电缆衔接到机器人操控器，以最大极限地进步衔接的可靠性。
现在，高带宽低推迟总线首要根据低压差分信号（LVDS）。但是， LVDS接口并没有规范，这就导致传感器到操控器的生态系统呈现割裂，而且使来自不同供货商的混合和匹配处理方案变得困难。一旦传感器数据被传输到机器人操控器，一系列根据深度神经网络的机器学习算法可以协助进步机器人所在环境的精度。用深度学习教父Yann LeCun、Yoshua Bengio和Geoffrey Hinton的话说，“深度学习答应由多个处理层组成的核算模型学习具有多个笼统层的数据表明。”这些深度神经网络可以在机器人内部用于快速、实时处理，也可以在云中用于元信息搜集或更杂乱的推理。
图2：机器人的不同感应才能。
关于大多数机器人来说，得益于边际处理所答应的固有低推迟，边际推理是保证机器人可以对其环境的改动做出快速反响的重要参数。边际推理可用于卷积神经网络，相似的神经网络拓扑结构可用于图画分类或预防性保护预算，深度Q网络可用于机器人途径规划，或用于为处理一类特定问题而规划的自界说神经网络。
展望未来
在未来，传感器好像不太或许有太大的改动，但所触及的处理将有所不同。成像传感器或许变成高光谱或可供给更高的分辨率。激光雷达或许有更高的波长、更安全、并具有更长的规模。雷达传感器或许装备集成天线，但这些并不会有明显改动。未来将改动的是信息运用和聚合的办法。
例如，在传感器集线器上，引进单对以太网（aka T1）和数据线供电（电气和电子工程师学会802.3bu-2016）将简化传感器集线器接口的规划，然后使更传感器组合更广泛和完成规范化配电。在操控方面，强化学习将由于最近的打破而得到加强，然后处理了诸如从一切或许的失利中学到的高本钱，以及由于学习形式的偏斜而学习错误行为的赏罚等难题。
在归类方面，大多数根据卷积神经网络的办法并没有从激光雷达供给的体素中彻底提取出一切的3D信息。下一代深度神经网络将使用结构供给的非欧几里德机器学习（或几许机器学习）中的最新进展，如PointNet、ShapeNet、Splatnet和Voxnet等结构。边际推理和传感器交融将交融到我所看到的多个传感器源的层次推理中。在这里，数据将经过更简略的推理网络做出更快的回路反响，例如电流操控神经网络，以改进现有份额-积分-微分网络的功能，一直到可以供给猜测性保护确诊并处于中心方位的愈加杂乱的长时间-短期回忆网络。神经网络将可以补偿机器人结构的细小差错，并供给更高的方位精度和更滑润的运动。
总结
自主机器人进化是一个一直改动的方针。当乔治·德沃尔（George Devol）在1954年申请专利时，此机器明显比其时任何根据凸轮或人工操作的机器都更自主。但依照今日的规范，这将是一个十分死板的设置，乃至不会呈现在自主程度的排名上。这种剧烈的改动很或许在咱们意识到之前再次发生。
现在人们认为，轮式机器人和协作机器人正处于自主的边际，当人类接近它们时，它们会减速，乃至在移动时也能防止撞到人类。跟着嵌入式模仿智能技能的敏捷改动，这些“处于边际”的创新式机器人在不久的将来不会被视为具有自主性，由于这个职业正在以如此之快的速度开展并不断发生新技能，然后使得机器人技能比以往任何时候都愈加自主。
