互联网+ 电子商务 智能家居 地理信息 高端装备 信息安全 3D打印 工业4.0 人工智能 光伏 新能源汽车 消费品 集成电路 移动支付 汽车 数据中心
中国县域经济创新发展论坛
当前位置:首页 > 产业动态 > 战新 > 高端装备 > 正文

前端+后端智能融合提升机器人“思维”深度

发布时间: 2018-06-22 16:27   作者: 付铭明   来源: 人工智能杂志

  伴随深度学习在机器人领域的普遍应用与发展,智能分析开始从后端向前端进一步扩展,智能机器人的应用也越来越成熟。随着模型压缩技术和前端芯片性能的提升,越来越多的深度学习模型逐渐向前端转移。但是,前端智能处理仍然受限于嵌入式芯片的计算性能,在有限的计算力下需要更精确的模型才能达到良好的效果。也就是说,模型需要更多更切合实际的数据来进行训练。因此,前端采集和模型执行,与后端模型训练和数据分析密不可分。前端与后端智能处理的无缝对接与融合,才能更高效地提升机器人的“思维”深度。

  一、前端智能核心

  计算智能、感知智能和认知智能作为人工智能发展的三个方面,也是前端智能发展的三大方向。

  计算智能,就是机器需要进行快速的计算。虽然目前人工智能所涉及的各项技术发展都存在一定的瓶颈,但仅在计算智能方面,现阶段计算机的计算能力和存储能力相比人有非常大的优势。

  机器具备视觉、触觉、听觉等等的智能感知能力被称为感知智能。众所周知,人和动物都具备全面的感知能力,如何通过先进的智能科技给机器赋予感知能力,实现机器与环境的实时交互,是目前机器人发展的热点话题。事实上,机器在感知环境方面将会比人类更有优势。虽然以往的老式机器感知是被动感知,但智能感知将赋予机器主动感知的能力。利用人工智能方面的科技成果,可以让机器在感知方面越来越接近于人类的主动感知,甚至超过人类,这是感知智能研究的终极目标。

  一般来说,认知智能就是指机器的理解和思考。概念和意识是人类认知智能的表现。对于机器人来讲,一个机器人在某一空间中,不仅需要知道自己的位置,知道周围的环境是怎样的,而且还要进行思考,对这些信息进行分析提取,这些对于机器人的活动以及运动范围都是非常重要的。

  针对前端智能的应用场景和解决方案,感知智能是最重要的核心技术。从数据的源头做人工智能,可以采集到传感器的原始数据。在前端就可以对没有损失的原始数据进行处理,这是前端智能的最大优势和重点。同时,这里不能不提出多传感器融合的概念,前端采集的数据纷繁复杂,既包括不同传感器的多感知数据,还包括同一传感器不同时空下的信息融合技术。如何将这些海量的传感器数据进行分析、提炼和处理,对各种传感器进行多层次、多空间的信息的互补和优化的组合分析,对前端有限的计算能力提出了非常高的要求。这不仅是对计算平台的要求,更是对模型架构和精度的考验。以Intel Movidius 嵌入式VPU解决方案为例,主控加运算单元相结合的处理器架构,不仅实现了低功耗,而且易于进行嵌入式平台上模型执行的优化。其在机器人方面,在军事、安防、无人驾驶等方面,都有非常好的应用,使前端嵌入式人工智能能够适应更广阔、更灵活的场景。

  二、当“前端智能”遇到“后端智能”

  后端智能是与前端智能相对的智能应用的另一个主要形式。与使用嵌入式芯片的前端智能不同,后端智能采用大规模集群式中心计算平台进行分析处理。换句话说,单纯的后端智能不提供​​任何前端的数据智能分析和结果,只是将数据信息发送到计算中心,所有智能分析和操作均由中心执行。后端智能解决方案由于不进行前端分析,所有的数据信息都必须传输到计算中心,为了保证处理的实时性,对信息传输的带宽速度提出了相当高的要求。

  由于部署架构不同,前端智能和后端智能在不同场景下的应用也有很大差异。前端智能在应用上有三大优势。一是具有很强的实时性。前端采集数据可以即刻分析并生成分析结果,可以有效提高系统的运行效率。二是大大降低网络带宽压力,经过前端智能分析处理,只将提取后的信息发送到计算中心,保证系统高效性。三是信息具有很高的真实性,前端处理可以实现对未压缩的原始数据进行分析计算,有效消除信息失真和错误。当然,前端智能也有一定的局限。首先,当前嵌入式芯片的性能,相比大型服务器和计算中心的处理能力相对落后。在诸如深度学习模型训练等应用,需要对海量数据进行处理,前端嵌入式芯片没有足够处理能力支撑,难免会降低分析精度和速度。其次,在某些应用场景下前端智能的可扩展性较差,如系统需要增加或减少智能处理的能力和计算核心数量,操作相对繁琐。后端智能的优势主要在于强大的处理能力和对各种资源的调度控制。

  在实际应用场景下,前端+后端智能的融合是未来人工智能落地应用的重要趋势。这里不得不提到一个重要的概念,就是结构化数据。结构化数据是指前端(例如:移动机器人)采集到实时的信息之后,信息进行前端处理得到分析结果,是一个信息过滤的过程。结构化数据有两个作用,一是在前端就给出了结果;二是传输到后台,通过后端智能对海量结构化数据进行学习训练,进而获取更精准更适合前端应用的数据模型。前端智能和后端智能是互相协同渗透的,共同作用提升机器人“思维”深度。

  “思维”顾名思义是指机器人基于数据模型进行分析和判断的过程,在“思维”学习训练的过程中,前端一方面采集各种数据信息,进行模型的执行和处理。另一方面就是收集这些数据信息转化成数据集,发送到后端,协助后端进行模型的创建和训练。经过如此循环往复的学习,模型会更加精确和贴近实际应用场景。

  对于后端训练的模型,可能数据量很大,为了使之更高效地运行在前端嵌入式平台上,需要进行优化裁剪以及压缩处理。通过这样的过程,进而形成了完整的数据流的信息采集以及信息处理、信息分析的过程。

  以上内容精选于《人工智能》杂志第四期

  本文作者

  付铭明

  清华大学电子硕士,现任触景无限科技(北京)有限公司硬件产品总监。曾就职索尼爱立信(日本)研发中心,任高级工程师、项目经理。工作期间参与并主导索尼爱立信多款手机的研发工作,在产品定义、功能需求分析、用户市场分析方面有丰富的经验,负责的产品曾达百万台出货量。

  欲阅读完整文章,可通过以下方式购买《人工智能》杂志!

  订阅2018年《人工智能》杂志6期共计360元

  银行转账:北京赛迪出版传媒有限公司

  开户行及账号:北京银行北洼路支行20000030565000007701154

  银行转账,请备注:人工智能

  接收详细信息请发到:aiview@ccidmedia.com;或是添加客服微信:13601092749

收藏