服务机器人介绍

相比工业机器人，服务机器人对精度的要求苛刻程度较小，而对智能的要求更高。以往机器人产业的进入壁垒高性能交流伺服电机和高精密减速器大大降低，而传感器、信号处理算法、运动规划算法将成为新的进入壁垒。由于起步时间差距相对较小，我国这些技术与发达国家的竞争力差距也相对较小，服务机器人在我国有望获得迅速发展。

“人工智能技术是智能服务机器人的核心技术

智能服务机器人实现特定功能有三个步骤感知、处理和执行，实际上这三个步骤是由智能服务机器人的硬件系统和软件系统共同协作完成的。软件系统主要是机器人的人工智能技术。

美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”麻省理工学院的温斯顿教授认为“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”概括起来，人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。

具体而言，人工智能技术包括机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。

人工智能的发展包含三个层次运算智能、感知智能和认知智能。运算智能我们已经实现；感知智能主要包括机器视觉（看）、语音语义识别（听、说）等；认知智能包括机器学习、智能大脑等技术。

人工智能前景广阔，市场空间巨大。高工机器人报道，2014 年我国智能语音交互产业规模达到100 亿元；指纹识别、人脸识别、虹膜识别等产业规模达100 亿元。

机器视觉信息入口

机器视觉是通过图像识别、视觉检测、视觉定位、视觉测量等算法使得机器人具有感知、学习训练、判断、定位、修正功能的传感系统，使得机器人能像人的眼睛一样辨识物体，实现检测、定位功能。

机器人视觉广义上称为机器视觉，其基本原理与计算机视觉类似。计算机视觉研究视觉感知的通用理论，研究视觉过程的分层信息表示和视觉处理各功能模块的计算方法。而机器视觉侧重于研究以应用为背景的专用视觉系统，只提供对执行某一特定任务相关的景物描述。

机器视觉系统主要由图像的获取、图像的处理和分析、输出或显示三部分组成。机器视觉系统的出现来自繁琐劳动力的替代需求。机器视觉自动化设备可以不知疲倦的进行重复性的工作，且在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，机器视觉可替代人工视觉。机器视觉最早应用于工业制造领域。

通过机器视觉的自动识别功能，许多流水线上具有高度重复性的检测都可以依靠机器视觉系统设备完成，大大提高了检测效率和精度。目前，将近80%的工业视觉系统主要用在检测方面，包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。

机器视觉是一个相当新且发展十分迅速的研究领域。在国外，机器视觉的应用普体现在半导体及电子行业，诸如电路板印刷、电子封装、SMT 表面贴装、电子电路焊接等，均需要使用机器视觉系统技术。机器视觉系统还在质量检测方面得到了广泛的应用，并且其产品在应用中占据着举足轻重的地位。

整个中国的机器视觉市场相较成熟的自动化产品应用水平偏低，市场远未饱和。伴随着工业自动化的发展，我国配套基础建设的完善，技术、资金的积累，各行各业对采用图像和机器视觉技术的工业自动化、智能化需求开始广泛出现，国内有关大专院校、研究所和企业近几年也在图像和机器视觉技术领域进行了积极思索和大胆的尝试，逐步开始了工业现场的应用。

语音、语义识别信息入口、人机交互入口

语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。语义识别则是在语音识别的基础上，不仅要判断语音内容，还需要根据语义做出决策的过程。这个过程比语音识别更加复杂，原因在于语言表达的多样化以及语义的模糊化，这对机器学习提出了很高的要求。

典型的语音识别系统组成示意图

语义识别示意图

近几年来，借助机器学习领域深度学习研究的发展，以及大数据语料的积累，语音识别技术得到突飞猛进的发展。

1）将机器学习领域深度学习研究引入到语音识别声学模型训练，使用带RBM 预训练的多层神经网络，极大提高了声学模型的准确率。在此方面，微软公司的研究人员率先取得了突破性进展，他们使用深层神经网络模型（DNN）后，语音识别错误率降低了30%，是近20 年来语音识别技术方面最快的进步。

2）目前大多主流的语音识别解码器已经采用基于有限状态机（WFST）的解码网络，该解码网络可以把语言模型、词典和声学共享音字集统一集成为一个大的解码网络，大大提高了解码的速度，为语音识别的实时应用提供了基础。

3）随着互联网的快速发展，以及手机等移动终端的普及应用，目前可以从多个渠道获取大量文本或语音方面的语料，这为语音识别中的语言模型和声学模型的训练提供了丰富的资源，使得构建通用大规模语言模型和声学模型成为可能。在语音识别中，训练数据的匹配和丰富性是推动系统性能提升的最重要因素之一，语料的标注和分析需要长期的积累和沉淀，随着大数据时代的来临，大规模语料资源的积累将提到战略高度。

目前，国外的应用一直以苹果的siri 为龙头。而国内方面，科大讯飞、云知声、盛大、捷通华声、搜狗语音助手、紫冬口译、百度语音等系统都采用了最新的语音识别技术，市面上其他相关的产品也直接或间接嵌入了类似的技术。

机器学习人工智能的核心技术

对于机器学习的定义有几种“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”机器学习的方式包括机械学习、通过传授学习、类比学习和通过事例学习。学习中所用的推理越多，系统的能力越强。

机器学习是人工智能的核心技术，机器与人的差别在于机器是人为设定的，不具备学习、进化的能力。通过对学习方式进行定义，机器可以在某种程度实现自学功能。

我国已经拥有国家重点实验室等设施齐全的研发机构和优秀的人工智能研发队伍，研发产出数量和质量也有了很大提升。很多企业也积极布局，如百度的“百度大脑”计划、科大讯飞“超脑计划”、京东智能聊天机器人等。