WFU

2019年6月27日 星期四

深度學習技術應用於智慧型機器人

聆聽李濬屹教授介紹 「深度學習技術應用於智慧型機器人」包括實驗室獲獎成果。深度學習的時代真的來了，高三、大一、大二的學生就可以下載開源的深度學習程式碼，運用  Google 開放的資料庫開始訓練自己的模型。利用現成的運算板以及機器人平台製作自己的機器人。


機器人的組成


機器人的組成有三大部分：
  • 機器人平台：有機械結構，可移動，例如，機器手臂、掃地機器人，無人空拍機。
  • 感測器融合：Sensor fusion 包含熱、陀螺儀、加速計，或是高價的 LiDAR、景深相機、Beacon 室內定位。
  • 大腦：運算板，例如：Jetson Nano、NeuroPilot，包含 CPU 執行通用指令以及 GPU 作為 AI 加速器。

和人類挺像，只是機器人通常不是人形，而感測器很精確，例如，人在偵測景深是靠雙眼，而機器人可以配備超音波、景深鏡頭，或是雷射，做很精確地測距。若配備 GPS 可以定位。


人工智慧的進展


人工智慧的重大進展促成各種應用的發達以及研究，例如：機器人和自駕車。進展的原因有三：
  • 深度學習在 2012 年開始大大降低錯誤率。
  • 大數據的齊備
  • GPU 的算力增強

深度學習模仿人類神經網路的神經元。觀測值是 X，權重 W，決策輸出是 Y，F (X1W1, X2W2, X3W3...) = Y，深度學習即是找出 F 模型，可以有多層如下圖。愈多層，運算量需求愈大，以李教授實驗室的機器人為例大約 50 層。



深度學習的神經網路算法有開源程式碼可以下載，運用 Google 大筆的資料，加上容易購買的 GPU 機器，從高三、大一大二的學生，人人都可以自行訓練模型了。

李飛飛教授在史丹福大學的CS231 課程投影片和 PPT 都是開放的，可供進階了解視覺辨識。


電腦視覺


電腦視覺有三個層次：
  • 影像分類 (Image Classification)：只做物件分類
  • 物件偵測 (Object Detection)：可辨識車輛，物體。
  • 語意分割 (Semantic Segmentation)：計算每個像素，可辨識車輛、石頭、道路，等細節。

其中 Object Detection 的重要應用為 You Only Look Once, YOLO。

Semantic Segmentation 可辨識細節，以自駕車為例的影片展示，有必要辨識影像的細節。近年來不斷地提高辨識度並加快速度，開發出幾種算法：

Google 宣布開源 DeepLab V3 提供下載，真是語意分割研究者的福音。

實務上為了增加效率，在連續辨識影像時，如果前後影像不變，則不需要啟動辨識。變化很小則只對局部辨識。在自駕車停等紅燈，或是路況筆直單純的道路上可降低運算量。


機器人作業系統


機器人作業系統 (Robot Operating System, ROS) 整合整個系統，例如：負責視覺、語音的各節點，如何傳遞訊號回到運算單元，並輸出訊號給控制單元，驅動輪子，或是無人機的上下左右，都靠 ROS 整合各節點的溝通。


虛擬訓練，讓機器人打電玩


要依靠實境的訓練成本很貴，以自駕車來看就相當明顯，撞車、撞人、自撞護欄、逸出道路，代價很高昂。

而 Google 為了更快地訓練機器手臂，購置 3,000 部的機器手臂，平行訓練再將模型整合，一部手臂大約 20K 美金，訓練過程亂動亂夾也有可能撞壞。

依賴實境的資料來訓練，代價高且訓練速度慢。

所以改為讓機器人打電玩方式訓練模型。現在有許多資源讓人輕易地建構出 3D 空間，例如：道路、辦公室、居家內裝、室外建築。在虛擬空間裡訓練，每一次都只是幾秒鐘的事，大量訓練的速度快，成本低。

3D 空間例子，請看這裡、這裡、還有這裡。

以訓練室內機器人為例，可以創造許許多多不同的房間擺設，確保模型得到充分的訓練，而不是重複在某一場景學習而造成「背答案」即過度擬和 (over fitting)，可避免完美適應單一題型但是以外的皆碰壁。

但是虛擬空間和實境有色差，所以用 Segmentation Model 對實境著色，概念上讓機器人戴上墨鏡，弭平虛擬和實境的差異。就可以將虛擬空間訓練好的模型用在實境上。


NVIDIA 機器人競賽的冠軍成果


由展示影片可以看出機器人可以跟隨人，迴避來車，後面上來的腳踏車、行人。更棒的是攝影鏡頭只用百來元，隨處可以買到的 1080P  鏡頭。影片中的展示效果，沒用不任何其他的感測器，所有的偵測都靠便宜的鏡頭達成。

當然可以加裝更高昂的感測器，譬如雷射測距、超音波、甚至好幾十萬 LiDAR、毫米波雷達，系統可以擴充，和原來的便宜鏡頭沒衝突。


後記


經過介紹，發現網路資源很多，開源的神經網路程式碼、資料庫、以及容易購買的 GPU 計算板，學生、業界人士都可以依照興趣，訓練自己的模型，製作自己的機器人。教授學者則利用這些資源研究驗證更進步的算法。