《机器人》第二章－小心！机器车辆！ - The Diigo Meta page

• 17 Feb 08
  

  York Jong

  AI book robot

  • 从1948年到1951年，英国心理学家沃尔特（W.Grey Walter）在英国造了六个电子乌龟，它们都带有超微型电子管大脑、旋转光电眼睛、接触开关式触角6。它们能在行走时避开障碍，在有特定光线召唤时能返回出发地。当几只小乌龟在一块时，它们会对彼此间的控制光线和触觉信号有所反应，表现出意想不到的社会行为，例如跳舞。
  • 对于机器而言，计算要比推理容易得多，推理又要比感知和行动容易得多。为什么难易顺序正好与人相反呢？在十亿年的进化过程中，人类祖先的第一个进化选择都为了能在逆境的竞争中赢得生命要素，常常用一生的时间在竞争中更有效地感知和行动。达尔文的进化过程使人类的大脑具有获取和行动的特殊本领───这点因为太平常而常被忽略。
  • 17 more annotations...
  • • 在20世纪的大部分时间里，每二十年机器计算力就会有上千倍的提高
    • 目前，控制最好的商业机器人的计算机能够产生昆虫级的行为。它们的耗资不少，社会用途却很少，仅在工厂作为喷涂车、点焊车、安装电子器件和将东西移来移去
    • 在未来十年中，机器全面智能化的进程将大大加速，我相信机器人数量会大增，应用范围会慢慢拓宽以满足普遍要求，最终成为通用机器人
    • 移动机器人是这一新生的计算机控制机器人领域中的最年轻一代，并在1985年后成为此领域中的主角。1985年前为数不多的工作重点之一是阿波罗登月计划
    • 许多任务似乎只需两个基本的图像操作就能完成，一是挑选出好的特征集（图像中许有特别的区域），另一个是对同一区域从不同视角来寻找。
    • 三角测量、障碍检测、机器人运动演绎可以确定三维位置。我寻找实现这些想法的快速算法。采用空间压缩图像技术可完成大量工作，4、16、64以及更多像素的平方被平均为一个数，然后用汇编语言巧妙地编码，而我的算子能在一幅图中挑出许多有用特征，并得到另一幅图。整个过程计算机大约只用10秒钟
    • 不对物体的位置进行分类，而是积累位置的“物体性”。尽管特别物体的特性甚至存在与否总被怀疑，可以肯定地认为机器人周围的位置是存在的，能被当作永久性的“存储桶”，以稳定地积累哪怕是内容的一丁点迹象。
    • 机器人周围的的区域被分成栅格。程序给栅格的每个单元赋以数值代表积累的证据，也就是说，相应的单元包括一些内容或什么都没有。随着每次声纳激励，含有信息的单元被更新。在回波距离处的单元被占据（因为此处的任何物都将导致更短的回波）。声音强度和检测可靠性随着声纳离中心点的距离增大而减弱，所以得到的证据量也据此发生变化。
    • 在运算速度为1/2 MIPS的丹宁机器人上，我们研制了能进行每秒十次声纳反馈信息处理的有效程序。操纵机器人的关键一步，即校正同一区域的两幅映像图，需要3秒钟
    • 实验揭示，在狭窄而墙壁光滑的走廊里（恰与我们实验室杂乱环境不同）声波被不断反射，类似光线在充满镜子的大厅里的情况，此时大部分的反馈信息是不正确的，得出的映像图也不会有价值。处理程序是以声纳单元的分类为基础编写的，而此时并不能表明声纳数据真正给出环境信息。
    • 环境中独立事件数量的增加可以降低误解概率。增加证据栅格信息的最好途径是，全部用三维处理。在二维处理中，高度不同的门把手和桌面等其他东西被测的总是不一致，可能只是一个模糊映像图。将处理单元的边长减小到10厘米左右，也不会有太大的效果
    • 在三维空间中，这些是一致的，不会出现模糊现象，栅格的分辨率会更高，单元内容会更确定。在二维空间中，一把椅子只是占据若干个单元的模糊东西，无法与其它具有同样尺寸的物体区分。在三维空间中，椅子就会有座位、椅腿、椅背，能由形状确认。三维图像可以使程序规划复杂路径，不仅可以四处迂回行进，而且能跨越障碍。视觉出错的可能性变得微乎其微。
    • 广角镜覆盖面很广，但它产生明显的“鱼眼”失真。到了1995年，我才编写了克服此不足的程序。程序通过摄像机视察几百个黑点的校准模型，得到一个“纠正”函数，将原始图像校正为一个理想的几何图
    • 20世纪80年代后期，状态低迷的“基于模型”（或“基于图像”）机器人人面临着基本问题。在麻省理工学院，精力充沛且善于表演的罗德.布鲁克斯（Rod Brooks）声称，基于模型的方法不切合实际，并示范了如何从没有模型的机器人人获取复杂行为。布鲁克斯的机器被巧妙设计的多反射层或行为集所控制，类似格雷.沃尔特的小乌龟或霍普金斯野兽，但更为复杂些。在行为集中，一种元素可能使机器人避开障碍，而根据检测，另一种元素或许使机器人沿墙行走。有些元素对另一些元素有所响应或无视它们。每个元素其实是适度分享处理器的简单程序，典型地，可以处理许多行为元素的机器人也许有1 MIPS的运算能力。自然界中的昆虫似乎被这种方式所控制，每个动作都由几百个神经元的神经节产生。布鲁克斯的机器人动作很像昆虫，当他的实验室开始研制六条腿行走的微型机器人时更说明了这点
    • 但是新奇感过后，人们不得不承认，在完成复杂动作方面，基于行为的机器人可靠性并不比集成多控制器的机器人要好
    • 20世纪90年代，基于模型的机器人可以在室内行驶，也可穿越乡村。它们含有一些反射行为集的元素，用于避开障碍和处理险情。也许受此影响，布鲁克斯研制了机器人“Cog”.它被大量可学习的反射行为所控制。迄今为止，它可以通过学习来用视觉跟踪物体，并抓获物体。与我们人类的神经系统很相似，但我认为它的模仿是低层次的。需要足够运算时间的Cog，其方法思路也许有助于追溯人类的进化和发展，或许可以导致全智能机器。虽然如此，我认为模仿高层的抽象性是更快的一条途径，直接可以借鉴有用的计算机科学和工程的成果
    • 大部分实用自动机必然是按基于行为的思路而研制的。尽管对可预测性的设计必然会降低逼真度，但用电线连接的机电继电器很像简单昆虫的神经节，五十年来，它们一直用于控制自动电梯和工业机器。从20世纪80年代开始，微处理器。系统复杂性在慢慢增大，但大部分控制器仍以简单的方式对刺激产生反应

Would you like to comment?

Join Diigo for a free account, or sign in if you are already a member.