英特爾：機器人4.0白皮書(33頁).pdf

1、 機器人 4.0 白皮書 I 目 錄 1. 邁向云-邊-端融合的機器人 4.0 時代 . 1 1.1. 數字經濟的基礎設施和發展趨勢 . 1 1.2. 機器人技術發展主要階段分析 . 1 1.3. 應用領域分析和大規模商用的難點 . 2 1.4. 機器人 4.0 的定義和發展機會 . 3 1.5. 白皮書結構說明 . 4 2. 人工智能和 5G 通訊技術推動機器人架構創新 . 4 2.1. 人工智能技術演進和應用現狀 . 4 2.2. 5G 通訊技術的演進和應用現狀 . 5 2.3. 云端大腦對機器人能力的增強 . 6 2.4. 邊緣計算對機器人服務的提升 . 6 2.5. 云-邊-端一體化對

2、機器人系統的支撐 . 7 3. 機器人 4.0 核心技術 . 7 3.1. 云-邊-端的無縫協同計算 . 8 3.2. 持續學習和協同學習 . 9 3.3. 知識圖譜. 10 3.4. 場景自適應 . 10 3.5. 數據安全. 11 4. 云端大腦和安全專網的實踐與思考 . 12 4.1. 云端智能機器人架構 . 12 4.2. 云端機器人大腦 . 12 4.3. 機器人安全專網的實踐 . 13 5. 邊緣智能支持多機器人協作的實踐與思考 . 15 5.1. 工業機器人發展趨勢 . 15 5.2. 多機協作應用 . 16 機器人 4.0 白皮書 II 5.3. 多機器人邊緣智能系統架構 .

3、17 6. 服務機器人的場景認知、進化和業務賦能的思考 . 19 6.1. 服務機器人多源異構數據協同認知 . 19 6.2. 云端一體架構支撐下的服務機器人認知進化 . 20 6.3. AIOT 技術浪潮背景下服務機器人如何賦能業務 . 21 6.3.1. 服務機器人與業務場景的深度連接 . 21 6.3.2. 案例簡析：服務機器人 AIOT 賦能智慧銀行、智慧檢務 . 21 6.3.3. 展望：AIOT 領域服務機器人的市場機遇 . 23 7. 協同創新與合作共贏 . 23 7.1. 機器人 4.0 的基礎通用參考平臺 . 24 7.2. 知識融合. 25 7.3. 眾包與群體智慧 . 2

4、5 7.4. 仿真訓練. 25 7.5. 機器人即服務 . 25 8. 總結與展望 . 26 參考文獻 . 27 術語表 . 28 致 謝 . 29 機器人 4.0 白皮書 1 1. 邁向云-邊-端融合的機器人 4.0 時代 1.1. 數字經濟的基礎設施和發展趨勢 近年來，數字經濟正在席卷全球，全球經濟向數字經濟遷移已經勢在必然，數字經濟已經 成為國家的核心競爭力。據上海社科院測算，2016年到 2018年，中國數字經濟對 GDP增長的 貢獻率分別達到了 74.07%、57.50%和 60.00%。預計 2019 年中國數字經濟增長仍將占到 62.50%1。 數據成為驅動經濟增長的核心生產要素

5、。大數據和云計算等技術的融合，推動了物聯網的 迅速發展，實現了人與人、人與物、物與物的互聯互通，導致數據量呈現爆發式增長。數據如 同農業時代的土地、勞動力，工業時代的技術、資本一樣，已成為數字經濟時代的生產要素， 而且是核心的生產要素。數字技術出現后，網絡和云計算成為必要的信息基礎設施。隨著數字 經濟的發展，數字基礎設施的概念更廣泛，既包括了信息基礎設施，也包括了對物理基礎設施 的數字化改造2。 近年來，移動互聯網、大數據、云計算、物聯網、人工智能等信息技術的突破和融合發展 促進了數字經濟的快速發展。數字經濟驅動未來，數字經濟成為經濟社會發展的主導力量。作 為硬科技代表的機器人行業，將利用數字

6、經濟中的技術紅利加速機器人的落地。人工智能、 5G通訊、計算的模式等都對機器人領域有著潛在而巨大的貢獻。 1.2. 機器人技術發展主要階段分析 2017年，中國信息通信研究院、IDC國際數據集團和英特爾共同發布了人工智能時代的 機器人 3.0 新生態白皮書3，其中把機器人的發展歷程劃分為三個時代，分別稱之為機器人 1.0、機器人 2.0、機器人 3.0。 圖 1：機器人發展階段示意圖 機器人 1.0（1960-2000） ，機器人對外界環境沒有感知，只能單純復現人類的示教動作， 在制造業領域替代工人進行機械性的重復體力勞動。機器人 2.0（2000-2015） ，通過傳感器和 數字技術的應用構

7、建起機器人的感覺能力，并模擬部分人類功能，不但促進了機器人在工業領 機器人 4.0 白皮書 2 域的成熟應用，也逐步開始向商業領域拓展應用。機器人 3.0（2015-） ，伴隨著感知、計算、 控制等技術的迭代升級和圖像識別、自然語音處理、深度認知學習等新型數字技術在機器人領 域的深入應用，機器人領域的服務化趨勢日益明顯，逐漸滲透到社會生產生活的每一個角落。 在機器人 2.0的基礎上，機器人 3.0實現從感知到認知、推理、決策的智能化進階。 1.3. 應用領域分析和大規模商用的難點 當前，全球機器人市場規模持續擴大，工業機器人市場增速穩定，服務機器人增速突出。 2018年，全球機器人市場規模達

8、298.2億美元，2013-2018 年的平均增長率約為 15.1%4。在裝 備制造領域，機械臂憑借強大的負重能力和精準的抓取操作代替著工人的雙手；在物流領域， 智能倉儲機器人和無人搬運車不斷提高著運輸效率；在生活服務領域，家用清潔機器人和服務 機器人正成為許多家庭的私人保姆和小秘書。 工業工業制造制造領域分析領域分析 目前，工業機器人在汽車、金屬制品、電子、橡膠及塑料等行業已經得到了廣泛的應用。 隨著性能的不斷提升，以及各種應用場景的不斷清晰，2013 年以來，工業機器人的市場規模 正以年均 12.1%的速度快速增長，預計到 2020年將達到 230 億美元的銷售額4。隨著人力成本 的上升，

9、工業制造領域的應用前景良好，將會保持快速增長的勢頭。同時，工業機器人需要擁 有更高的靈活性、更強的自主避障和快速配置的能力，提高整體產品的易用性和穩定性。 消費消費服務領域分析服務領域分析 服務機器人雖然整體銷售額低于工業機器人，但近幾年一直維持著較高的年增長率，商用 服務機器人在商場、銀行、酒店、機場等應用場景有了更多的落地部署，主要提供導覽、問詢、 送物等基礎服務。同時，家用服務機器人悄然進入千家萬戶，掃地機器人銷量在家用服務機器 人銷量中占主要份額，成為目前家務機器人中的主導品類。由于本體能力不足，隱私、安全方 面的問題，家庭管家機器人和陪伴型機器人的市場滲透率較低。2013 年以來全球

10、服務機器人 市場規模年均增速達 23.5%，預計 2020年將快速增長至 156.9億美元4。 從整個技術發展和市場環境看，機器人產業擁有以下發展推力： 成熟的生態系統 老齡化人口趨勢和新興市場 更多智能產品互聯和智能家庭建設 人工智能、自然語言理解能力的增強 大規模商用的難點大規模商用的難點 在以上幾點的助推下，機器人產業會繼續快速發展，但要達到大規模商用，還有很多難點 需要解決。 首先，機器人目前的能力不能滿足用戶期望，缺少關鍵場景。得益于人工智能帶來的紅利， 近年來機器人感知能力提升明顯，可以通過視覺進行人臉識別，做語音交互。但是要真正替代 人類的勞動時間，做一些實際工作，機器人除了要具

11、備感知能力，還要能夠理解和決策。機器 機器人 4.0 白皮書 3 人需要有記憶、場景理解的能力，擁有知識，才能夠優化決策，自主實施工作，并進行個性化 演進。目前的機器人依然缺少令人矚目和必不可少的應用場景，大部分人對于在家中擁有一個 機器人沒有很高的興趣。在機器人提高自身能力，完成特定和復雜問題之前，這一比例將維持 低水平。 其次，價格高，不成規模。傳感器和硬件的價格一直在下降，但是機器人的價格依然很高， 不能被廣泛的市場用戶接受，沒有形成市場規模。掃地機器人由于較低的價格，目前快速的進 入大眾家庭。但是對于大多數類別的機器人，特別是具有更強功能、高精度移動底盤、機械臂 的機器人，價格依然是一

12、個痛點。 第三，隱私、安全和數據保護問題亟待解決。隨著機器人的應用領域越來越廣泛，其物理 安全和用戶的數據安全問題更加凸顯。在與機器人的交互過程中，機器人會不斷收集用戶的圖 像、語音、行動數據進行導航和決策，這些數據有的在本地處理，有的在云端處理，人們對這 些數據的安全抱有疑慮。對于能夠自由移動的服務機器人和擁有機械臂的工業機器人，保證機 器人自身的物理安全，不被惡意攻擊，避免造成人身傷害也至關重要。 1.4. 機器人 4.0 的定義和發展機會 機器人 3.0 預計將在 2020 年完成，在此之后，機器人將進入 4.0 時代，把云端大腦分布在 從云到端的各個地方，充分利用邊緣計算去提供更高性價

13、比的服務，把要完成任務的記憶場景 的知識和常識很好的組合起來，實現規?；渴?。機器人除了具有感知能力實現智能協作，還 具有理解和決策的能力，達到自主的服務。在某些不確定的情況下，它需要叫遠程的人進行增 強，或者做一些決策輔助，但是它在 90%，甚至 95%的情況可以自主完成任務。 要達到這一目標，首先需要利用人工智能和 5G 技術。利用人工智能技術提高機器人本體 感知能力的同時，提升個性化自然交互能力。利用 5G 技術，大大縮短從終端到接入網的時間， 帶寬大幅度上升，很多東西可以放到邊緣端，加入更多的計算能力，包括云端大腦的一些擴展， 助力機器人規?；渴?。 圖 2：實現機器人跳躍式發展 機器

14、人 4.0 白皮書 4 類似互聯網的三級火箭發展模式，第一階段關鍵場景，把握垂直應用，提高場景、任 務、能力的匹配，提高機器人在關鍵應用場景的能力，擴大用戶基礎；第二階段人工增強， 通過加入持續學習和場景自適應的能力，延伸服務能力，取代部分人力，逐步實現對人的替代， 讓機器人的能力滿足用戶預期；第三階段規?；?，通過云-邊-端融合的機器人系統和架構， 讓機器人達到數百萬千萬級水平，從而降低價格成本，實現大規模商用。 1.5. 白皮書結構說明 本白皮書由英特爾、達闥科技、新松機器人、科沃斯商用機器人共同發布，分為八章。第 一章分析機器人發展情況，并定義機器人4.0；第二章闡述人工智能和5G通訊技術

15、推動機器人 架構創新，并提出云-邊-端融合的機器人系統和架構；第三章重點分析機器人 4.0 所需的核心 技術；第四章探討云端大腦和安全專網；第五章討論邊緣智能如何支持多機器人協作；第六章 思考服務機器人的場景認知、進化和業務；第七章描述協同創新與合作共贏的關鍵領域和方向； 第八章進行總結與展望。 2. 人工智能和 5G 通訊技術推動機器人架構創新 2.1. 人工智能技術演進和應用現狀 人工智能技術的正式提出始于 1956 年，到目前為止已經取得不少進展。從技術上而言， 可以初略劃分為兩類方法，一類是符號方法，一類是統計方法(支持向量機，神經網絡，深度 學習都可以歸為這一類)。 人工智能的發展可

16、以大致分為兩個階段，1990 年以前主要是符號方法，包括基于規則， 邏輯等。八十年代的基于知識庫的專家系統是這個時期人工智能走向應用的一個嘗試，取得了 一定的成果，但也很快顯現了這類方法的問題，比如相對開放領域的知識庫很難建立完整（尤 其是常識知識很難表示完全)，知識庫增大后知識推理的組合爆炸，缺乏學習能力等問題。上 世紀 90 年代開始，統計方法開始盛行，取得了不少的進展，包括支持向量機等機器學習方法， 并廣泛應用于語音識別，自然語言處理，計算機視覺，數據挖掘等領域。從 2012 年開始，深 度學習方法在計算機視覺，語音識別方面取得了較大的突破，不少任務的性能在大規模數據集 上面得到大幅度提

17、升。人工智能尤其是深度學習方法已經在不少領域開始廣泛應用，包括語音 識別，人臉識別等，作為機器人 3.0 的核心技術，在機器人的應用中起到了重要的作用。近年 來人們發現了困擾傳統機器學習方法的一些問題，如魯棒性、可解釋性，小數據學習在深度學 習方法的框架下仍然沒有得到解決。 總體說來，人工智能技術 60 多年來取得了不少的突破，但也存在不少亟待解決的問題。 人工智能之父明斯基在發布他的新書之前發表的一篇論文5也深刻地指出，目前人工智能的進 展低于他的期望，其中一個主要原因是主流的方法（符號方法，統計方法或更細分的方法）都 是想基于單一方法來解決人工智能問題，而真正的人類智能則是有機地結合了多種

18、方法并進行 選擇應用的結果，未來的人工智能需要走這個方向才能進一步突破。機器人領域的應用對人工 智能提出了尤其更高的要求，這也就需要在人工智能領域取得更多的突破。 機器人 4.0 白皮書 5 2.2. 5G 通訊技術的演進和應用現狀 5G 是第五代移動通信技術的簡稱，5G 標準自 2016 年在 3GPP 正式開始立項，于 2017 年 12 月完成了 5G R15 非獨立組網的標準制定，支持在 4G 網絡下同時部署 5G 網絡，并于 2018 年 6月完成了 5G R15獨立組網的標準制定。目前 5G在各個國家開始了實驗性部署。在國內， 三大運營商從 2018 年開始 5G 實驗網的測試，2

19、019 年已經在部分城市完成了在 sub-6Ghz 頻段 以下的 5G 規模測試。5G 實驗網峰值速率可以達到 10Gbps，在密集部署城區平均速率達到了 100Mbps，在低時延模式下，5G終端和基站傳輸時延達到1毫秒以內，滿足了ITU最初制定的 5G 需求6。2019年 6 月，國內正式發布了 5G 的牌照，中國移動、中國聯通、中國電信和廣電 開始了商用部署。4G技術從 2008年 3GPP release8標準完成到 2013年 4G牌照的發布用了 5年 時間，5G從標準完成到牌照的發布只用了一年，凸顯了國內 5G 發展的迫切和重要。 圖 3：5G 支持的業務 除了網絡傳輸能力的提升，5

20、G 還制定了非常靈活的空中接口和核心網標準，增強了對不 同業務支持的能力，相對于 4G 以移動寬帶（MBB）為主的應用，5G 的應用領域進一步加強 移動寬帶業務（eMBB） ，比如高清/全景視頻，移動 VR/AR 等等，同時 5G 的應用拓展到海量 連接的物聯網（mMTC）和高可靠低時延（URLLC）的業務。URLLC 的業務包括車聯網、自 動駕駛、遠程醫療、工業自動化等應用。國內的 5G Sub-6Ghz 頻段部署， eMBB, URLLC, mMTC 應用都可以得到很好的支持。在高頻段，比如 28GHz 左右，目前在國內還在實驗階段， 高頻段將主要支持eMBB應用。對于云端機器人應用，既有

21、時延和可靠性要求不高的應用，比 如數據備份、訓練數據的采集等等，也有實時視頻傳輸交互，還有對時延和可靠性要求非常高 的機器人的運動控制、遠程操控等等。這些應用，可以在 5G 網絡上，通過靈活的配置得到更 好的支持。 對于 5G 的應用，其最初的商用部署是針對 eMBB 業務，比如 5G 的手機等等，由于標準 和網絡設備的復雜性，5G 設備和網絡的功能會根據需求演進。如果 eMBB 模式不能完全滿足 機器人 4.0 白皮書 6 需求，就需要積極和運營商、設備商溝通、合作，推動對該業務的支持。同時 5G的 標準也在 不斷的演進，目前 5G R16 版本的標準正在制定過程中，計劃將于 2019年底完

22、成。R16版本將 包含對 5G 網絡效率的提升和應用的增強，比如對車聯網、工業 IoT 和 URLLC 業務的增強。 5G 網絡的持續演進將進一步增強網絡的能力和靈活性，滿足機器人 4.0 的云-邊-端的更高的互 聯要求。 2.3. 云端大腦對機器人能力的增強 2010 年提出的云機器人概念引入了云端大腦，機器人嘗試引入云計算、云存儲及其它云 技術，達到機器人融合基礎設施和共享服務的優點7。相比于獨立的機器人本體，連接云端大 腦后的機器人擁有以下四個核心優勢。 信息信息和知識和知識共享共享：一個云端大腦可以控制很多機器人，云端大腦可以匯集來自所有連 接機器人的視覺、語音和環境信息，經云端大腦智

23、能分析處理后的數據信息可以被所 有連接機器人使用。利用云服務器，各機器人本體獲取和處理的信息可以保持最新， 并安全備份。 平衡計算負載平衡計算負載：一些機器人功能需要較高的計算能力，利用云端平衡計算負載可以降 低機器人本體的硬件需求，在保證能力的同時，讓機器人更輕、更小、更便宜。 協同合作協同合作：通過云端大腦，機器人本體不再獨立工作，多機器人可以協同工作，例如 共同搬運貨物，配合完成一整套工作流程等。 獨立于本體持續升級：獨立于本體持續升級：借助云端大腦，機器人可以獨立于本體持續升級，不再依賴于 本體硬件設備。 2.4. 邊緣計算對機器人服務的提升 IoT 應用的快速發展，使得大量數據在網絡

24、邊緣產生，推動了邊緣計算的產生和發展。邊 緣計算的提出始于 4G 時代，將計算和存儲資源部署到網絡邊緣，不僅可以減少核心網和互聯 網上的流量，還可以顯著降低傳輸時延，提高網絡可靠性。 低時延的業務需要終端、移動蜂窩網（接入網和核心網） 、互聯網、數據中心的端到端的 保障。目前的測試結果表明 5G 手機和基站的數據通路延時可以達到 4 毫秒，在 URLLC 模式 下，手機和基站的延時可以達到 1毫秒以下，相比 4G的 20毫秒提高了 20倍左右6。對于互聯 網和數據中心的時延，一般情況下由于地理位置分布廣和未針對低時延優化，從核心網網關到 互聯網數據中心可在幾十到幾百毫秒之間。在 5G 中，其核

25、心網引入了分布式網關，網關可以 下沉到基站附近，邊緣服務器可以直接連接到分布式網關上，大大降低網絡的端到端時延。 邊緣計算的引入將解決終端能力受限和云計算的實時響應的問題，增強機器人云端大腦的 實時響應能力，對于滿足機器人 4.0 的要求十分關鍵，比如實時的推理、場景理解、操控等等。 邊緣計算和云計算的結合，將突破終端的計算能力和存儲的限制，提高 AI 算法的訓練和推理 能力，比如提升精度和降低訓練時間。同時將大部分機器人的智能布署在邊緣和云端，通過協 作和不斷的訓練，持續不斷的提高機器人智能，比如通過邊緣計算能更好的支持實時的多機協 作，支持實時的知識圖譜提取、理解和決策，持續不斷的提高機器

26、人的智能。邊緣計算和云計 機器人 4.0 白皮書 7 算還可以解決機器人終端升級維護的困難，在機器人本體的生命周期內不斷升級，提高機器人 的能力，增強數據安全和隱私保護，充分利用摩爾定律帶來的性能提升。 2.5. 云-邊-端一體化對機器人系統的支撐 云-邊-端一體化構建了一個通過機器人提供多樣化服務的規?；\營平臺。其中，服務機 器人本體是服務的實施者，而實際功能則根據服務的需要無縫地在終端計算（機器人本體） 、 邊緣計算和云計算之間分布和協同。機器人系統類似現在智能手機上的各種 APP，主要關注如 何實現高性價比的多模態感知融合、自適應交互和實時安全計算。 多模態感知融合：多模態感知融合：為

27、了支持機器人的移動、避障、交互和操作，機器人系統必須裝備 多種傳感器（如攝像頭、麥克風陣列、激光雷達、超聲波等）。同時，環境里的傳感 器可以補足機器人的物理空間局限性。大部分數據需要在時間同步的前提下進行處理， 并且調用不同復雜度的算法模塊（例如 SLAM，圖像處理，人和物體的識別等）。機 器人硬件系統和邊緣計算需要協同來支持（可能來自多個機器人的）多傳感器數據同 步和計算加速，因此應該采用能靈活組合 CPU、FPGA 和 DSA (Domain-Specific Accelerator）的異構計算平臺。另一部分沒有強實時性要求的感知任務（如人的行為 識別、場景識別等），可以由云計算支持。 自

28、適應交互：自適應交互：為了支持機器人的個性化服務和持續學習能力，需要將感知模塊的輸出 與知識圖譜結合對環境和人充分理解，并且逐步提取和積累與服務場景和個人相關的 個性化知識。通用知識和較少變化的領域知識應該存放在云端，而與地域和個性化服 務相關的知識應該存放在邊緣或者終端。無論知識存放在哪里，在機器人系統中應該 有統一的調用接口，并可以保證實時通訊?；?ROS2 構造涵蓋終端和網絡側的軟件 系統框架可以滿足未來的需求。 實時安全計算：實時安全計算：未來的服務機器人應用將有大量需要實時響應的情形（如語音交互、 協同操作等） ，因此需要在邊緣服務器部署相應的加速硬件。同時，機器人也將處理 大量涉

29、及用戶隱私的數據（如視頻、圖像、對話等） 。云-邊-端一體化架構需要構建隱 私數據的安全傳輸和存儲機制，并且限定物理范圍。對于可以進行物理操作的機器人， 要構建獨立的安全監測機制，保證即使機器人系統被遠程攻擊劫持后也不會造成物理 安全損害。 3. 機器人 4.0 核心技術 在機器人 3.0 時代，服務機器人可以做到一些物體識別、人臉識別，在 4.0 時代需要加上 自適應能力。因為用深度學習做物體識別、人臉識別的時候需要很多的數據來源，但是真正到 家庭場景時沒有那么多數據，這就要求機器人必須通過少量數據去建立識別能力，自己去找到 不同的位置，不同的角度做訓練。 這些就是機器人 4.0 要做的，首

30、先對三維環境語義的理解，在知道它是什么的基礎上，把 看到的信息變成知識，讓存儲就變得更加合理，而且可搜索，可查詢，可關聯，也可推理。應 用層可以根據這個知識和觀測為現場場景做出智能的提醒，尋找物品，進行行為檢測。例如， 機器人 4.0 白皮書 8 老人要出門，機器人的知識庫告訴他，今天預報要下雨，但是檢測到老人沒有帶傘，然后查詢 傘的位置，機器人就可以把傘送到老人手里。這都是結合內部知識和外部情況所做的決策。 知識圖譜在整個學術界和工業界越來越受到重視。獲得圖靈獎的杰夫辛頓教授在加入谷 歌的時候就說要建一個知識圖譜給全世界用。阿里研究院發布2019年的十大技術趨勢8里面也 專門提到了知識圖譜的

31、重要性。這是人工智能邁向下一個階段的必由之路，也是必做之事。 總結下來，機器人 4.0 主要有以下幾個核心技術，包括云-邊-端的無縫協同計算、持續學 習、協同學習、知識圖譜、場景自適應和數據安全。 圖 4：機器人 4.0時代的能力升級 3.1. 云-邊-端的無縫協同計算 受制于網絡帶寬以及延遲的制約，當前絕大多數機器人 3.0 系統是以機器人本體計算為主， 云端處理非實時、大計算量的任務為輔的系統架構。機器人的主要任務可以簡單劃分為感知、 推理及執行三大部分。為了能夠精準地感知理解環境以服務于人機交互，機器人系統通常集成 了大量的傳感器，因而機器人系統會產生大量的數據。比如采用了高清攝像頭，深

32、度攝像頭， 麥克風陣列以及激光雷達等傳感器的機器人，每秒鐘可以產生 250MB 以上的數據量。如此海 量的數據全部傳輸到云端處理既不現實，也不高效。因此，需要將數據處理合理地分布在云- 邊-端上。 另一方面，完成感知和理解的 AI 算法也非常復雜。機器人所使用的 AI 算法通常需要很強 的算力，例如 Faster RCNN 算法在 GPU 上可以達到 5fps 的處理能力，但是 GPU 的功耗達到 200W 以上，機器人本體很難承受，從計算成本而言同樣也非常昂貴。雖然機器人本體計算平 臺的計算能力仍在不斷提高，但是相對于 AI 算法的需求依然有限。為了完成機器人的計算需 求，需要在云和邊緣側提

33、供算力的支持，以實現在大規模機器人應用場景下，更有效、更經濟 的計算力部署。 機器人 4.0 白皮書 9 隨著 5G 和邊緣計算的部署，機器人端到基站的延遲可以達到毫秒級，使得 5G 的網絡邊 緣可以很好地支持機器人的實時應用。同時，邊緣服務器可以在網絡的邊緣、很靠近機器人的 地方處理機器人產生的數據，減少對于云端處理的依賴，構成一個高效的數據處理架構。 云-邊-端一體的機器人系統是面向大規模機器人的服務平臺，信息的處理和知識的生成與 應用同樣需要在云-邊-端上分布處理協同完成。例如，匯集來自所有連接機器人的視覺、語音 和環境信息，加以分析或重構后，被所有連接的機器人所應用。 因此，在通常情況

34、下，云側可以提供高性能的計算以及通用知識的存儲，邊緣側可以更有 效的處理數據，提供算力支持，并在邊緣范圍內實現協同和共享，機器人終端完成實時的操作 和處理等基本機器人的功能。然而由于機器人的業務需求多種多樣，協同計算的部署也不是一 成不變的，機器人 4.0 系統還要支持動態的任務遷移機制，合理的根據業務需求將不同的任務 遷移到云-邊-端，實現云-邊-端的無縫協同計算。 3.2. 持續學習和協同學習 在機器學習方面，機器人 3.0 主要是采用基于大量數據進行監督學習的方法，這也是目前 機器學習的主流方法，而在機器人 4.0，還需要加上持續學習和協同學習的能力，才能使得機 器人能夠適應更復雜的應用

35、場景。 在 3.0 時代，服務機器人可以做到一些基本的物體識別、人臉識別，但由于機器人應用對 感知識別的正確率要求很高，盡管這些方法在別的要求不高的領域已經可以滿足應用需求（例 如互聯網搜索有 80%的正確率就夠了） ，但對于機器人應用而言則遠遠不夠。第一是機器學習 所固有的魯棒性方面的問題，深度學習方法也不能幸免，識別結果可能出錯，而且出錯的時候 系統也不知道自己錯了，這樣就可能造成服務的失敗和錯亂。例如人需要機器人取東西 A，而 機器人卻取了東西 B, 輕則鬧笑話，引起用戶不滿，嚴重的可能會造成對用戶的傷害（比如取 錯藥品的情況)。魯棒性的問題是目前所有機器學習方法自身的一個通病，因為訓練數據中總 是存在著長尾數據無法被準確識別，該問題