傳感器、大數(shù)據(jù)、機器學習、人工智能和機器人是怎樣擰在一起了呢？在人工智能時代硬件和軟件是共生演化的，彼此影響的呢？

 

“物聯(lián)網(wǎng)”、“大數(shù)據(jù)”和“機器人”等,其實這些趨勢是相互聯(lián)系在一起的，擰成一個大趨勢， 在這個鏈條里，每一環(huán)都會對下一環(huán)產(chǎn)生影響，如此產(chǎn)生積極的循環(huán)。 各種連接的設(shè)備里的傳感器會產(chǎn)生大量數(shù)據(jù)，海量數(shù)據(jù)使得機器學習成為可能，機器學習的結(jié)果就是AI，而AI又指導機器人去更精確地執(zhí)行任務，機器人的行動又會觸發(fā)傳感器。這整個就是一個完整的循環(huán)。

 

 

 

到2014年，連接到互聯(lián)網(wǎng)的設(shè)備超過了世界人口的總和。 Cisco預測，到2020年，將有500億個相互連接的設(shè)備。而這些設(shè)備中大多都會安傳感器，可能用Electric Imp內(nèi)嵌傳感器，或者用Estimote外接一個傳感器。

 

設(shè)備中的傳感器會產(chǎn)生前所未有的海量數(shù)據(jù)。

 

 

在2020年，預計有35ZB的數(shù)據(jù)產(chǎn)生，也就是2009年數(shù)據(jù)量的44倍。到時候，不管是結(jié)構(gòu)化的、或更可能是沒有結(jié)構(gòu)化的數(shù)據(jù)都可以通過機器來處理，從而獲得大量洞見。

 

 

機器學習依靠數(shù)據(jù)處理和模式識別，從而讓計算機不需要編程就能去學習。現(xiàn)在的海量數(shù)據(jù)和計算能力都在驅(qū)使機器學習的突破。

 

機器學習的十足威力，看看Google就知道了。

 

Google就是利用機器學習，把法國每一個企業(yè)的位置、每一個住房、每一條街都繪制在地圖上了。整個過程只需1個小時。

 

 

隨著計算機已經(jīng)在象棋和路標方面做得比人類好了，我們就有理由對未來有更多期待。隨著更多的傳感器采集到的數(shù)據(jù)越來越多，這能優(yōu)化更多的機器學習算法，從而我們可以合乎邏輯地推斷，與機器人結(jié)合的計算機執(zhí)行任務的能力會呈指數(shù)級增長。

 

 

不僅數(shù)以百計的公司在制作可以完成各種工作的機器人，機器人本身也會變得越來越智能， 而且借助AI的進步，還能完成很多我們夢寐以求的任務。

 

 

機器采取行動觸發(fā)傳感器來收集數(shù)據(jù)，從而整個循環(huán)就完整了。

 

這就是整個人工智能生態(tài)的技術(shù)鏈。

 

 

人工智能技術(shù)能夠?qū)鞲衅飨到y(tǒng)有所幫助，它們是：基于知識的系統(tǒng)、模糊邏輯、自動知識收集、神經(jīng)網(wǎng)絡(luò)、遺傳算法、基于案例推理和環(huán)境智能。這些技術(shù)在傳感器系統(tǒng)中的應用越來越廣泛，不僅因為它們確實有效，還因為今天的計算機應用越來越普及。

 

這些人工智能技術(shù)具有最低的計算復雜度，可以應用于小型傳感器系統(tǒng)、單一傳感器或者采用低容量微型控制器陣列的系統(tǒng)。正確應用人工智能技術(shù)將會創(chuàng)造更多富有競爭力的傳感器系統(tǒng)和應用。

 

人工智能領(lǐng)域的其他技術(shù)進步也將會給傳感器系統(tǒng)帶來沖擊，包括數(shù)據(jù)挖掘技術(shù)、多主體系統(tǒng)和分布式自組織系統(tǒng)。環(huán)境傳感技術(shù)能夠?qū)⒑芏辔⑿碗娮犹幚砥骱蛡鞲衅骷傻饺粘Ｎ锲分?，使其具有智能。它們可以?chuàng)造智能環(huán)境，與其他智能設(shè)備通訊，并與人類實現(xiàn)交互。給出的建議能夠幫助用戶更加直觀地完成任務，但是這種集成技術(shù)的后果將會很難預測。使用環(huán)境智能和多種人工智能技術(shù)的組合能夠?qū)⑦@種技術(shù)發(fā)揮到極致。

 

 

可以采用人工智能對傳感器系統(tǒng)進行優(yōu)化。人工智能作為計算機科學的一個分支出現(xiàn)于20世紀50年代，它繁衍出了很多功能強大的工具，在傳感器系統(tǒng)中具有巨大作用，能夠自動解決那些原本需要人類智能才能夠解決的問題。

 

雖然人工智能進入工業(yè)領(lǐng)域的進程較為緩慢，但是它必將帶來靈活性、可重新配置能力和可靠性方面的進步。全新的系統(tǒng)設(shè)備在越來越多的任務中表現(xiàn)出超過人類的性能。隨著它們與人類越來越緊密，我們將人類大腦與計算機能力結(jié)合起來，實現(xiàn)商討、分析、推論、通訊和發(fā)明。

 

人工智能結(jié)合了多種先進技術(shù)，賦予了機器學習、采納、決策的能力，給予他們?nèi)碌墓δ?。這一成就依賴于神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、自組織系統(tǒng)、模糊邏輯和遺傳算法等技術(shù)，人工智能技術(shù)將其應用領(lǐng)域擴展到了很多其他領(lǐng)域，其中一些領(lǐng)域需要對傳感器信息進行解析和處理，例如裝配、生物傳感器、建筑建模、計算機視覺、切割工具診斷、環(huán)境工程、力值傳感、健康監(jiān)控、人機交互、網(wǎng)絡(luò)應用、激光銑削、維護和檢查、動力輔助、機器人、傳感器網(wǎng)絡(luò)和遙控作業(yè)等等。

 

這些人工智能方面的發(fā)展被引入到了更加復雜的傳感器系統(tǒng)中。點擊鼠標、輕敲開關(guān)或者大腦的思考都會將任何傳感器數(shù)據(jù)轉(zhuǎn)化為信息并發(fā)送給你。近期此項研究已經(jīng)有所斬獲， 在如下七個領(lǐng)域中人工智能可以幫助傳感器系統(tǒng)。

 

 

基于知識的系統(tǒng)也被稱為專家系統(tǒng)，它是一種計算機應用程序，整合了大量與某一領(lǐng)域相關(guān)聯(lián)的問題解決方案。

 

專家系統(tǒng)通常有兩個組成部分，知識數(shù)據(jù)庫和推斷機制。知識數(shù)據(jù)庫以“如果-那么”的形式表述了這個領(lǐng)域內(nèi)的各種知識，加上各種事實陳述、框架、對象和案例。推斷機制對存儲的知識進行操作，產(chǎn)生針對問題的解決方案。知識操作方法包含繼承和約束條件(在基于框架和面向?qū)ο蟮膶＜蚁到y(tǒng))、檢索并采納案例(案例系統(tǒng))和應用推斷規(guī)則(規(guī)則系統(tǒng))，具體取決于某些控制程序(前向或反向鏈接)和搜索策略(深度優(yōu)先或者廣度優(yōu)先)。

 

基于規(guī)則的系統(tǒng)將系統(tǒng)的知識描述為“如果-那么-否則”的形式。特殊的知識可以用于據(jù)側(cè)。這些系統(tǒng)善于以人類稔熟的形式呈現(xiàn)知識并作出決策。

 

由于使用嚴格的規(guī)則限制，它們并不擅長于應對不確定的任務和不精確的場景。典型的規(guī)則系統(tǒng)具有四個組成部分：規(guī)則列表或者規(guī)則數(shù)據(jù)庫(知識數(shù)據(jù)庫的一種特殊形式)、推斷引擎或者解析器(根據(jù)輸入和規(guī)則數(shù)據(jù)庫推斷信息或者采取行動)、臨時工作存儲器、用戶接口或者其他與外部世界的互通方法，將輸入和輸出信號接收進來和發(fā)送出去。

 

基于案例推理方法是基于過往問題的經(jīng)驗解決現(xiàn)有問題。這種解決方案被存儲于數(shù)據(jù)庫之中，作為人類專家的經(jīng)驗總結(jié)。當系統(tǒng)發(fā)生了前所未有的問題，它會將問題與過往問題對比，找到一個與現(xiàn)有問題最為相近的案例。然后按照過往的解決方案解決問題，并按照成功和失敗與否更新數(shù)據(jù)庫。基于案例推理系統(tǒng)通常被認為是規(guī)則系統(tǒng)的一種擴展，他們善于以人類稔熟的形式呈現(xiàn)知識，具有從過往案例學習并產(chǎn)生新案例的能力。

 

 

基于案例推理針對計算機應用形成了四個步驟：

 

1、檢索：給出目標問題，從內(nèi)存檢索相關(guān)案例以解決這個問題。案例包括問題、解決方案以及關(guān)于這個解決方案是如何得到的注釋。

 

2、重用：將解決方案從過往案例映射到目標問題上。這一過程包括對新場景適應性變更。

 

3、修改：在將解決方案從過往案例映射到目標場景之后，測試新的解決方案在真實世界(或者仿真場景)中是否奏效，如果必要，進行修改。

 

4、保留：如果解決方案成功地解決了目標問題，那么將解決方案作為全新案例存儲于內(nèi)存中。

 

這一方法的爭論點在于它采納了一些未經(jīng)證實的證據(jù)作為主要作業(yè)準則。沒有統(tǒng)計相關(guān)數(shù)據(jù)作為支撐，很難確保結(jié)論的準確性。所有根據(jù)少量數(shù)據(jù)做出的推理都被認為是未經(jīng)證實的證據(jù)。

 

基于案例推理這一概念的宗旨就是將過往問題的解決方案應用在當前問題上。這種解決方案被存儲于數(shù)據(jù)庫之中，作為人類專家的經(jīng)驗總結(jié)。當系統(tǒng)發(fā)生了前所未有的問題，它會將問題與過往問題對比，找到一個與現(xiàn)有問題最為相近的案例。然后按照過往的解決方案解決問題，并按照成功和失敗與否更新數(shù)據(jù)庫。

 

基于案例推理系統(tǒng)通常被認為是規(guī)則系統(tǒng)的擴展。和規(guī)則系統(tǒng)類似，基于案例推理系統(tǒng)善于以人類稔熟的方式呈現(xiàn)知識，不但如此，基于案例推理系統(tǒng)還具有從過往案例學習并產(chǎn)生新案例的能力。圖1所示為基于案例推理系統(tǒng)。

 

 

圖示1是基于案例推理系統(tǒng)，和基于規(guī)則的系統(tǒng)一樣，基于案例推理系統(tǒng)的擅長之處在于以人類稔熟的方式呈現(xiàn)信息；同時，基于案例推理系統(tǒng)也具有從過去案例學習進而創(chuàng)建新增案例的能力。

 

很多專家系統(tǒng)再開發(fā)時都采用了一種被稱為“殼”的程序，它是一種配備了完整的推斷和知識存儲設(shè)備但是并不具備相關(guān)領(lǐng)域內(nèi)知識的專家系統(tǒng)。一些復雜的專家系統(tǒng)的構(gòu)建依賴于“開發(fā)環(huán)境”，后者比殼的應用更加靈活，為用戶提供了構(gòu)建自定義判斷和知識呈現(xiàn)方法的機會。

 

專家系統(tǒng)恐怕是這些技術(shù)中最為成熟的一種，有很多商業(yè)殼系統(tǒng)和開發(fā)工具可供使用。一旦某一領(lǐng)域內(nèi)的知識被導入了專家系統(tǒng)，構(gòu)建整個系統(tǒng)的過程就相對簡單了。由于專家系統(tǒng)便于使用，所以應用廣泛。在傳感器系統(tǒng)中，有很多應用領(lǐng)域，包括選擇傳感器輸入、解析信號、狀態(tài)監(jiān)控、故障診斷、機器和過程控制、機器設(shè)計、過程規(guī)劃、生產(chǎn)規(guī)劃和系統(tǒng)配置。專家系統(tǒng)的應用還包括裝配、自動編程、復雜智能車輛的控制、檢查規(guī)劃、預測危險、選擇工具和加工策略、工序規(guī)劃和工廠擴建的控制。

 

 

普通規(guī)則專家系統(tǒng)有一個劣勢，就是它無法應對超出知識數(shù)據(jù)庫范圍的情況。當這種情況出現(xiàn)時，這些規(guī)則系統(tǒng)無法給出結(jié)果。這些情況發(fā)生時系統(tǒng)就會“當機”，而不似人類專家在面對全新問題的時候表現(xiàn)出來的是性能降低。

 

模糊邏輯的使用，引入了人類判斷所具有的定型判斷和不精確的特性，可以提升專家系統(tǒng)的適應性。模糊邏輯將變量值變?yōu)橐环N語言上的描述，這些描述的含義就是模糊集合，而判斷正是依據(jù)這些表述所做出。

 

模糊專家系統(tǒng)使用模糊邏輯來應對不完全數(shù)據(jù)或者被部分損壞的數(shù)據(jù)所帶來的不確定性。這種技術(shù)使用模糊集合的數(shù)學理論來仿真人類判斷的過程。人類可以很輕松地在決策過程中應對語意不明的情況(灰色地帶)，而機器認為這很難。圖2所示為模糊邏輯控制器的架構(gòu)。

 

圖2所示為模糊邏輯控制器的架構(gòu)。

 

 

模糊邏輯有在傳感器系統(tǒng)中有很多應用，因為這一范疇的知識并不精確。模糊邏輯非常適用于那些在結(jié)構(gòu)和對象無法精確匹配的領(lǐng)域、解析度受限的場合、數(shù)字重構(gòu)方法和圖像處理領(lǐng)域。在結(jié)構(gòu)對象識別領(lǐng)域和場景解析領(lǐng)域都有模糊集合的應用。模糊專家系統(tǒng)適用于要求處理不確定性和不精確性的場合。它們不具備學習的能力，因為系統(tǒng)的關(guān)鍵參數(shù)都已經(jīng)預設(shè)好了，無法改變。

 

模糊邏輯在協(xié)同作業(yè)機器人領(lǐng)域、汽車機器人、感知預測、供應鏈管理和焊接領(lǐng)域獲得了成功。

 

 

收集某一領(lǐng)域內(nèi)的知識以構(gòu)建知識數(shù)據(jù)庫是非常復雜且耗時的，它往往是搭建專家系統(tǒng)的瓶頸所在。自動知識收集技術(shù)被開發(fā)出來以解決這一問題。這種學習程序通常要求采用多個案例作為學習的輸入。每一個案例都具有多種屬性參數(shù)，并按類型歸類。一種方法就是采用“分治策略”，根據(jù)某一策略對各種屬性進行篩選，將原有的案例集合劃分為子集合，然后歸納學習程序建立決策樹并將給定的案例集合正確分類。決策樹能夠表述從集合中的特定案例產(chǎn)生出什么知識。這一方法還可以后續(xù)應用于處理那些沒有被案例集合覆蓋的情況。

 

另一種方法被稱為“覆蓋法”，歸納學習程序的目標是找到一組被某一類型的案例所共同持有的屬性，并將這一共同屬性作為“如果”的部分，將類型做為“然后”的部分。程序?qū)⒓现蟹弦?guī)則的案例移除直至沒有共同屬性。

 

還有一種使用邏輯程序代替命題邏輯的方法就是對案例進行描述然后表述全新的概念。這種方法使用了更加強大的預測邏輯來描述訓練案例和背景知識，然后表述全新概念。預測邏輯允許使用不同型式的訓練案例和背景知識，它允許歸納過程的結(jié)果(歸納概念)以帶有變量的一階子句的形式描述，而不僅限于由屬性-值對組成的零階命題子句。這種系統(tǒng)主要有兩種類型，第一種是由上自下的歸納/總結(jié)方法，第二種是反向解析原理。

 

已經(jīng)出現(xiàn)了不少的學習程序，例如ID3，它是一種分治策略程序;AQ程序采用了覆蓋法；FOIL程序是采用了歸納/總結(jié)方法的ILP系統(tǒng);GOLEM程序是采用反向解析方法的ILP系統(tǒng)。雖然大多數(shù)程序產(chǎn)生的都是明確的決策規(guī)則，但是也有一些算法能夠產(chǎn)生模糊規(guī)則。要求以嚴格的格式提供案例集合(明確的屬性和明確的分類)在傳感器系統(tǒng)和傳感器網(wǎng)絡(luò)中很容易滿足，因此自動學習技術(shù)在傳感器系統(tǒng)中應用頗為廣泛。這種類型的學習適合于那些屬性是以離散的或者符號的形式所表示，而并非適用于具有連續(xù)屬性值的傳感器系統(tǒng)案例。一些推斷學習應用的例子包括激光切割、礦石檢測和機器人應用。

 

圖3所示為一個虛擬系統(tǒng)流程圖，顯示了系統(tǒng)如何從圖像傳感器收集數(shù)據(jù)。視覺數(shù)據(jù)和CAD模型數(shù)據(jù)被搭配使用，用來確定對象列表，對象列表隨后被發(fā)送給焊接識別模塊，然后采用人工智能技術(shù)明確焊接要求。

 

 

 

神經(jīng)網(wǎng)絡(luò)也可以從案例中提取領(lǐng)域知識，它們提取的領(lǐng)域知識并非以表征的方式描述，例如規(guī)則或者決策樹，而且它們可以同時應對連續(xù)數(shù)據(jù)和離散數(shù)據(jù)。它們也具有與模糊專家系統(tǒng)類似的不錯的歸納能力。神經(jīng)網(wǎng)絡(luò)是大腦的計算機模型，神經(jīng)網(wǎng)絡(luò)模型通常假設(shè)計算過程可以使用多個簡單的被稱為神經(jīng)元的單元所描述，神經(jīng)元可以相互連接并行作業(yè)。

 

最常見的神經(jīng)網(wǎng)絡(luò)是多層感知器，它是一種前饋網(wǎng)絡(luò)：所有信號以一種方向傳輸，從輸入到輸出。前饋網(wǎng)絡(luò)能夠在輸入空間和輸出空間進行靜態(tài)映射：在某一時刻的輸出僅與這一時刻的輸入構(gòu)成函數(shù)關(guān)系。周期型網(wǎng)絡(luò)中，某些神經(jīng)元的輸出反饋會同一個神經(jīng)元或者反饋回之前層級的神經(jīng)元，可以認為具有動態(tài)內(nèi)存：這種網(wǎng)絡(luò)在某一時刻的輸出受當前輸入和之前輸入和輸出的影響。

 

不顯性表述的“知識”通過對神經(jīng)網(wǎng)絡(luò)進行訓練而內(nèi)置于神經(jīng)網(wǎng)絡(luò)內(nèi)。某些神經(jīng)網(wǎng)絡(luò)能夠使用預先定義的特定輸入模式進行訓練，進而產(chǎn)生預期的輸出模式。實際輸出和預期輸出之間的差異用來對神經(jīng)元之間連接的強度和權(quán)值進行修正。這種方法被稱為監(jiān)督訓練。在多層感知器中，監(jiān)督訓練的反向傳播算法通常用來傳播來自于輸出神經(jīng)元的誤差，然后計算出隱含層神經(jīng)元的修正權(quán)值。

 

人工神經(jīng)網(wǎng)絡(luò)通常具有輸入和輸出，在輸入和輸出之間的隱藏層完成處理任務。輸入是獨立的變量，而輸出是相互關(guān)聯(lián)的。人工神經(jīng)網(wǎng)絡(luò)是具有可配置內(nèi)部參數(shù)的靈活的數(shù)學方程。為了精確地展現(xiàn)復雜的關(guān)系，通過訓練算法來調(diào)整這些參數(shù)。在簡單訓練模式下，輸入案例和相應的預期輸出同時展現(xiàn)給網(wǎng)絡(luò)，通過盡可能多的案例進行重復進行自調(diào)整過程。一旦訓練結(jié)束，人工神經(jīng)網(wǎng)絡(luò)就能夠接受全新的輸入，預測正確的輸出。

 

為了產(chǎn)生輸出，網(wǎng)絡(luò)只需要按方程計算即可。唯一的假設(shè)就是在輸入數(shù)據(jù)和輸出數(shù)據(jù)之間存在某種連續(xù)的函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)適用于映射設(shè)備、模式歸類或者模式補全(自動聯(lián)想內(nèi)容尋址內(nèi)存和模式關(guān)聯(lián)器)。

 

圖4所示為傳感器系統(tǒng)針對焊接識別模塊做出焊接要求建議。這一模塊評估建議并決定最佳的焊接軌跡。建議隨后被發(fā)送給實際的機器人程序生成器。

 

 

近期的應用包括特征識別、熱交換器、焊點檢查、點焊參數(shù)優(yōu)化、電力、觸覺顯示和車輛傳感系統(tǒng)。

 

 

遺傳算法是一種隨機最優(yōu)化過程，其靈感來自于自然演化。遺傳算法能夠在復雜的多向搜索中產(chǎn)生全局最優(yōu)解決方案，無需針對問題本身的特定知識。遺傳算法已經(jīng)在傳感器系統(tǒng)中找到了用武之地，包括復雜組合或者多參數(shù)優(yōu)化，包括裝配、裝配流水線平衡、故障診斷、健康監(jiān)控和動力方向盤。

 

 

環(huán)境智能在最近幾十年獲得了長足的發(fā)展，見證了人類在數(shù)字控制環(huán)境中便利的工作過程，電子設(shè)備可以預測他們的行為并做出響應。環(huán)境智能的概念用于實現(xiàn)人類和傳感器系統(tǒng)之間的無縫匹配，滿足實際的預期的需求。工業(yè)領(lǐng)域內(nèi)的應用尚有局限，但是新型的更加智能且具有更高交互性的系統(tǒng)已經(jīng)處在研究階段。

 

 

人工智能能夠增加通訊的有效性、減少故障、最小化誤差并延長傳感器的壽命。在過去40年間，人工智能技術(shù)帶來了一系列功能強大的工具，如前文所列。這些工具在傳感器系統(tǒng)中的應用越來越廣泛。合理地采用新型人工智能技術(shù)方法將會有助于構(gòu)建更加具有競爭力的傳感器系統(tǒng)。由于工程師對這種技術(shù)的陌生以及使用這些工具仍舊存在的技術(shù)壁壘，也許還需要另一個10年工程師們才能夠接納它們。然而，這一領(lǐng)域的研究不會停歇，很多新型傳感器應用正在出現(xiàn)，這些技術(shù)的搭配使用將會發(fā)揮出更大的作用。

 

從智能工廠的應用，對電網(wǎng)、空氣、公路等監(jiān)測網(wǎng)絡(luò)的實施，傳感器的發(fā)展領(lǐng)域一直在不斷的擴大。計劃落地后，現(xiàn)在又提出人工智能飛進千家萬戶，家用產(chǎn)品會變得越來越智能，萬物互聯(lián)時代正在飛速的發(fā)展，未來人們的生活可能方方面面都離不開最基礎(chǔ)的傳感器。這對于傳感器行業(yè)來說，是莫大的機遇。

 

機遇往往伴隨著挑戰(zhàn)，傳感器行業(yè)也面臨著很多問題，如何研發(fā)出符合市場潮流和計劃中要求的傳感器？如何讓傳感器在同類傳感器中脫穎而出？只有跟隨時代發(fā)展的潮流，才能有正確的方向，掌握了核心技術(shù)，才能立于不敗之地，對于傳感器行業(yè)來說，只有抓住這個機遇，注重研發(fā)和市場需求，才能更上一層樓。

 

本文轉(zhuǎn)載自傳感器技術(shù)。