国产热re99-国产热re99久久6国产精品首-国产热の有-国产热久久精-国产热无码手机-国产人a片在

智能機器人產業前景向好 或將成為科技明日之星

    資策會MIC產業分析師張佳蕙指出，2015年以后，服務型應用市場，有許多過去未導入機器人的新興領域，帶動其成長潛力。
 
　　日本軟件銀行近年大舉進軍機器人領域，一連串的動作引發市場關注，張佳蕙說，包括2012年收購法國人形機器人公司Aldebaran Robotics，其2014年推出的人形機器人Pepper陸續與IBM Watson、Microsoft Azure合作。 Softbank提出以溝通為基礎提供家庭及商業應用的愿景，Pepper被設定為「希望能被愛」的機器人，透過互動溝通了解家中成員，成為家中的一份子；并在人工智能的基礎下，讓Pepper協助企業產品的營銷，在家庭兼具娛樂及學習效果。 此外，目前較知名已投入市場的服務型機器人還有Leka與Savioke。
 
　　近年各國都不約而同將機器人視為戰略產業，日本發展機器人已久，2015年日本政府設立機器人革命倡議協議會，推動機器人產業的發展；韓國則是由產業通商資源部主導，每五年制定基本計劃，目標是在2022年成為機器人活用的國家，生產規模達25兆韓圜；美國則是從2011年開始，由美國國家科學基金會(NSF)主導， 發展能夠安全與人協同工作的機器人技術。 目前韓國以家用機器人為發展主力，美國則是在救災國防領先各國，張佳蕙建議，家庭應用與公共應用各國布局已深，商業應用近期興起，臺灣可以伺機切入。
 
　　深度學習、語音識別等技術在近年有顯著的發展，也因此促成服務型機器人產業與應用的興起，機器人從過去單向溝通執行命令，進化到可以理解語意響應對話內容，應用服務為機器人后續發展重點。 機器人應用情境多元，在不同場合必須結合各領域專業知識及對用戶需求的了解，因此廠商應透過開放平臺，加快機器人在各領域的應用。
 
　　類神經網絡技術大躍進
 
　　深度學習這個名詞因為2016年人工智能AlphaGo連敗南韓棋王，機器首度成功挑戰人腦，并在圍棋這個普遍被認為難度最高的博弈活動中，一時又被世界大眾所關心。 而AlphaGo的深度學習核心就是類神經網絡技術，早在1943年，Warren McCulloch以及Walter Pitts首次提出神經元的數學模型，之后到了1958年，心理學家Rosenblatt提出了感知器(Perceptron)的概念，在前者神經元的結構中加入了訓練修正參數的機制，這時類神經網絡的基本學理架構算是完成。 類神經網絡的神經元其實是從前端收集到各種訊號(類似神經的樹突)，然后將各個訊號根據權重加權后加總，再透過活化函數轉換成新訊號傳送出去(類似神經元的軸突)。

   相關技術架構其實早在1970年代就已經完成了，數據決策技術長尹相志(圖3)表示，深度學習其實就是類神經網絡的另一種說法，其成功來自于更深入理解人類大腦的運作。 卷積神經網絡(Convolutional Neural Network)協助機器發展真正的視覺，其中的兩大原則為：局部感知與權重共享。 讓機器可以從碎片特征理解整體意義，進而找出特征的群聚性，不斷分層細化的分析，無論是多細微的特征：只要不化成灰，都能抽取特征。
 
　　其中，圖形辨識是其中的重點，在過往的認知中，中央處理器(CPU)與繪圖處理器(GPU)處理不同的運算功能，單就圖形辨識的深度學習功能來說，GPU的效能是CPU的百至千倍，尹相志進一步表示，透過深度學習，機器甚至可以將原本馬賽克圖案的照片效果移除還原。 不過，在語音與文字的辨識上，中文對于機器還是很大的挑戰，中文詞匯超過百萬，無須約定成俗即可創造新字以及賦予詞性，還有很多中英、中日、中韓夾雜的詞匯，諸如：藍瘦、香菇、94狂等。
    大廠搜集數據布局未來
 
　　機器人產業前景受到各方矚目，尤其深度學習、人工智能成為各大廠布局下一波企業發展的方向，包括臉書(Facebook)、微軟(Microsoft)、谷歌(Google)與亞馬遜(Amazon)。 這些企業的共通點就是都透過產品、服務與消費者互動，并累積了多年的初級數據，未來人工智能與深度學習說穿了都是大量數據搜集、整理并分類、標注(Tag)使這些初級數據變成信息，最后再透過強大的處理器快速搜尋與反應的結果。
 
　　從這樣的架構來觀察，碩網信息總經理邱仁鈿(圖4)認為，四大廠之間FB的數據結構化程度最高，因為每個用戶上傳文章或圖片時，已經將內容整理過，圖片分辨率高甚至照片中的人物也直接標注了，未來FB要藉由這些數據做進一步整理或利用時，可以花費最少的時間，或進行更高質量的整理。 目前世界上有80%的數據數據是非結構化的，認知運算能夠提升并簡化學習過程。
 
　　因此，機器人要降低錯誤率重點就在數據的完整性與結構化，邱仁鈿進一步解釋，深度學習的應用歷程從底層的類神經網絡運算、大量數據分析、發現規則/自動歸類、產生媒合/推薦策略、記錄用戶行為、回饋到模型/提升準確率，最終就是要提升數據質量并產生自我學習修正機制。
 
　　協作型機器人角色更加重要
 
　　工業制造從80、90年代的自動化，發展到2000年代的智能制造，未來的智能工廠除了更高度的自動化與取代更多復雜的人力制程之外，還希望發展更多協作型機器人，臺達電子機器人事業群機器人事業處長彭志誠(圖5)說明，包括點膠(Dispensing)、上螺釘(Screwing)、焊接(Soldering)、檢驗(Inspection)、組裝 (Assembly)、卡匣自動搬運車(Pick & Place Vehicle， P&P)等，甚至可以彈性更換夾具與工具，生產線因產品、制程需要而可以彈性重組(Reconfigurable)，可以處理更多客制化的實時訂單。
 
　　一個機器人系統，彭志誠解釋，可以簡單分成機械結構(Mechanical structure)、驅動程序、運算與控制單元、傳感器、通訊模塊幾個項目。 未來協作型機器人的市場發展趨勢為業界矚目，多家研究單位都看好其發展，Barclays Equity研究指出，2020年該市場規模將挑戰30億美元，2015～2020年復合成長率97%，是非常高度成長的市場。
 
　　工業4.0促成自主機器人發展
 
　　智能機器人的發展要從德國喊出的工業4.0口號來觀察，臺科大自動化及控制研究所副教授李敏凡(圖6)說，該口號的精神在少量多樣、周期短，一切商業活動始于賣方，過去傳統的生產價值鏈順序顛倒，從顧客需求開始驅動研發，再到供應鏈與生產，完成整個商業活動。 因此，生產線必須維持高度彈性，以因應各式各樣不同的需求，并實時反應。
 
　　自主移動機器人(Autonomous Mobile Robot)有別于非自主性質的機器人，李敏凡指出，非自主性質如遙控是由人類以有線或無線方式控制；自動是執行規畫好的任務計算機程序；而自主則是可以在未知環境，處理非預知的工作，并可隨時、隨機彈性調整工作內容。 簡單的說，工業4.0就是工業3.0加上人工智能，自主機器人的行為內容包括，避障、目標搜尋、軌跡追蹤、保持隊形等。
 
　　傳感器應用質量均升
 
　　從關鍵零組件的角度來看，臺科大電子工程系賴文政(圖7)博士說，機器人是由許多次系統整合而成的，若進一步將次系統拆解，則可以大致分成顯示器、輸入設備如鍵盤/游戲桿、驅動器如馬達、通訊設備、感測模塊、視覺模塊、導航模塊等重要單元。 這些模塊在一個機器人身上可能出現多次，而微控制器(MCU)與傳感器，在許多次系統或模塊上都會一再出現，是非常重要的關鍵零組件，而且隨功能提升，這些關鍵零組件的使用量也將更為驚人。
 
　　尤其是傳感器，要讓機器人更聰明，需透過這些前端的傳感器搜集更多信息，意法半導體(ST)模擬、微機電與感測組件應用經理陳建成(圖8)說明，傳感器分成動作、環境、聲音三類，以當紅的Pepper為例，其頭部有四個麥克風、兩個RGB相機、一個3D傳感器、三個觸控傳感器、胸前有一個陀螺儀、手部有兩個觸控傳感器、腿部有兩個聲納傳感器、 雷射傳感器六個、三個保險桿傳感器、一個陀螺儀、兩個紅外線傳感器，共九類近30顆傳感器。
 
　　也由于感測的需求越來越高，環境傳感器將往新應用領域發展，微機電類型的電子羅盤、加速度計、陀螺儀、麥克風等將持續提升感測精準度，也就是降低噪聲干擾，提升感測靈敏度與精度。 另外因應傳感器融合(Sensor Fusion)的發展趨勢，將促成同性質的傳感器融合，如加速度計整合陀螺儀成為六軸傳感器，加速度計整合電子羅盤與陀螺儀成為九軸傳感器。 未來單一功能的傳感器將會越來越少。
 
　　智能機器人測試項目繁復
 
　　智能機器人尤其是陪伴與服務型機器人遲遲未能普及的一個重要原因就是安全性，有些陪伴型機器人動輒幾十公斤，加上移動速度，若是在家中發生意外，面對的是小朋友與老人家，恐怕還未達成陪伴的目的就先釀成災害。 另外，在工廠的生產在線，每天與機械為伍的人員，安全風險更是有增無減。
 
　　因此機器人產品風險與驗證也是一個重要的議題，UL能源暨電力科技部事業發展經理陳立閔(圖9)指出，UL 1740標準是美國對于機器人設備的基本安全設計要求，其中的測試要點包括電源輸入、最大負載電流、操作溫度、過電壓與欠電壓、漏電流、操作軟件、手持部位、導體失效、通風馬達死鎖、驅動馬達死鎖、馬達煞車、零組件破損、過載、斷電與重啟、 緊急停止裝置、緊急停止時間與移動距離測量、斷電下的緊急移動、抓取裝置、教學模式下的低速運動測量、突電壓的防護、絕緣材料耐受電壓、電路板耐受電壓、彎折、軸向旋轉耐受性、提拉與移動、外殼強度等數十個項目。
 
　　而且不是只有整機要測試，陳立閔強調，零組件安全與軟件安全都要測試，其他還有很多必要與非必要的安全防護，跟產品的類型與個別特性有關，例如機能安全(Functional Safety)認證，內容提到機器設備的安全可靠性分成五級，耐用次數從一萬次到一千萬次。 智能機器人的驗證內容繁瑣，因應產業與時代的發展，當我們與機器人的互動越來越密切，也可能因為發生新的非預期意外，使得安全驗證的項目越來越多，因此如欲投入智能機器人領域，及早了解復雜的安全認證內容并導入非常重要。