机器人 4 . 0 白皮书 I 目 录 1. 迈向云 - 边 - 端融合的机器人 4.0 时代 . . . 1 1.1. 数字经济的基础设施和发展趋势 . . . 1 1.2. 机器人技术发展主要阶段分析 . . . 1 1.3. 应用领域分析和大规模商用的难点 . . . 2 1.4. 机器人 4. 0 的定义和发展机会 . . . 3 1.5. 白皮书结构说明 . . . . 4 2. 人工智能和 5G 通讯技术推动机器人架构创新 . . . 4 2.1. 人 工 智能技术演进和应用现状 . . . 4 2.2. 5G 通讯技术的演进和应用现状 . . . 5 2.3. 云端大脑对机器人能力的增强 . . . 6 2.4. 边缘计算对机器人服务的提升 . . . 6 2.5. 云 - 边 - 端一体化对机器人系统的支撑 . . . 7 3. 机器人 4. 0 核心技术 . . . . 7 3.1. 云 - 边 - 端的无缝协同计算 . . . . 8 3.2 . 持续学习和协同学习 . . . . 9 3.3. 知识图谱 . . . . 10 3.4. 场景自适应 . . . . 10 3.5. 数据安全 . . . . 11 4. 云端大脑和安全专网的实践与思考 . . . 12 4.1. 云端智能机器人架构 . . . . 12 4.2. 云端机器人大脑 . . . . 12 4.3. 机器人安全专网的实践 . . . . 13 5. 边缘智能支持多机器人协作的实践与思考 . . . 15 5.1. 工业机器 人发展趋势 . . . . 15 5.2. 多机协作应用 . . . . 16 机器人 4 . 0 白皮书 II 5.3. 多机器人边缘智能系统架构 . . . 17 6. 服务机器人的场景认知、进化和业务赋能的思考 . . . 19 6.1. 服务机器人多源异构数据协同认知 . . . 19 6.2. 云端一体架构支撑下的服务机器人认知进化 . . . 20 6.3. AIOT 技术浪潮背景下服务机器人如何赋能业务 . . 21 6.3.1. 服务机器人与业务场景的深度连接 . . . 21 6.3.2. 案例简析：服务机器人 A IOT 赋能智慧银行、智慧检务 . . 21 6.3.3. 展望： A IOT 领域服务机器人的市场机遇 . . 23 7. 协同创新与合作共赢 . . . . 23 7.1. 机器人 4. 0 的基础通用参考平台 . . . 24 7.2. 知识融合 . . . . 25 7.3. 众包与群体智慧 . . . . 25 7.4. 仿真训练 . . . . 25 7.5. 机器人即服务 . . . . 25 8. 总结与展望 . . . . . 26 参考文献 . . . . . 27 术语表 . . . . . 28 致 谢 . . . . . 29 机器人 4 . 0 白皮书 1 1. 迈向云 - 边 - 端融合的机器人 4. 0 时代 1 .1 . 数字经济的基础设施和发展趋势 近年来，数字经济正在席卷全球，全球经济向数字经济迁移已经势在必然，数字经济已经成为国家的核心竞争力。 据上海社科院测算， 2016 年到 2018 年，中国数字经济对 GDP 增长的贡献率分别达到了 74.0 7% 、 57.50% 和 60.00 % 。预计 2019 年中国数字经济增长仍将占到62.50% 1 。 数据成为驱动经济增长的核心生 产要素。大数据和云计算等 技术 的融合 ， 推动了物联网的迅速发展，实现了人与人、人与物、物与物的互联互通，导致数据量呈现爆发式增长。数据如同农业时代的土地、劳动力，工业时代的技术、资本一样，已成为数字经济时代的生产要素，而且是 核心的生产要素。数字技术出现后，网络和云计算成为必要的信息基础设施。随着数字经济的发展，数字基础设施的概念更广泛，既包括了信息基础设施，也包括了对物理基础设施的数字化改造 2 。 近年来，移动互联网、大数据、云计算、物联网、人工智能等信息技术的突破和融合发展促进了数字经济的快速发展。数字经 济驱动未来，数字经济成为经济社会发展的主导力量。作为硬科技代表的机器人行业，将利用数字经济中的技术红利加速机器人的落地。人工智能、5G 通讯、计算的模式等都对机器人领域有着潜在而巨大的贡献。 1 .2 . 机器人 技术 发展主要阶段分析 2017 年， 中国信息通信研究院、 I D C 国际数据集团和英特尔共同发布了人工智能时代的机器人 3.0 新生态白皮书 3 ，其中把机器人的发展历程划分为三个时代，分别称之为机器人1.0 、机器人 2.0 、机器人 3.0 。 图 1 ： 机器人 发展阶段示意图 机器人 1.0 （ 1960 - 2000 ） ， 机器人 对外界环 境没有感知，只能单纯复现人类的示教动作，在制造业领域替代工人进行机械性的重复体力劳动。机器人 2.0 （ 2000 - 2015 ） ， 通过传感器和数字技术的应用构建起机器人的感觉能力，并模拟部分人类功能，不但促进了机器人在工业领机器人 4 . 0 白皮书 2 域的成熟应用，也逐步开始向商业领域拓展 应用 。 机器人 3.0 （ 2015 - ），伴随着感知、计算、控制等技术的迭代升级和图像识别、自然语音处理、深度认知学习等新型数字技术在机器人领域的深入应用， 机 器人领域 的 服务化 趋势 日益 明显 ，逐渐渗透到社会生产生活的每一个角落。在机器人 2.0 的 基础上，机器人 3.0 实现从感知到认知、推理、决策的智能化进阶。 1 .3 . 应用领域分析和大规模商用的难点 当前，全球机器人市场规模持续扩大，工业机器人市场增速稳定，服务机器人增速突出。2018 年 ，全球机器人市场规模 达 298.2 亿美元， 2013 - 2018 年的平均增长率约为 15.1% 4 。 在装备制造领域，机械臂凭借强大 的 负重能力和精准的抓取 操作 代替着工人的双手；在物流领域，智能仓储机器人和无人搬运车 不断提高着运输效率；在生活服务领域，家用清洁机器人和服务机器人正成为许多家庭 的私人保姆和小秘书 。 工业 制造 领域分析 目前，工业机器人在汽车、金属制品、电子、橡胶及塑料等行业已经得到了广泛的应用。随着性能的不断提升，以及各种应用场景的不断清晰， 2013 年以来，工业机器人的市场规模正以年均 12.1% 的速度快速增长，预计到 2020 年 将 达到 230 亿美元的销售额 4 。 随着人力成本的上升， 工业制造领域的应用前景良好，将会保持快速增长的势头。同时，工业机器人需要拥有更高的灵活性、更强的自主避障和快速配置 的 能力，提高整体产品的易用性 和 稳定性 。 消费 服务领域分析 服务机器人虽然整体销售额低于工业机器人，但近几年一直维持着较高的年增长率 ，商用服务机器人在商场、银行、酒店、机场等应用场景有了更多的落地部署，主要提供导览、问询、送物等基础服务。同时，家用服务机器人悄然进入千家万户，扫地机器人销量在家用服务机器人销量中占主要份额，成为目前家务机器人中的主导品类。 由于本体能力不足， 隐私、安全方面的问题， 家庭管家机器人和陪伴型机器人的 市场渗透率较低。 2013 年以来全球服务机器人市场规模年均增速达 23.5 % ，预计 2020 年将快速增长至 156.9 亿美元 4 。 从整个技术发展和市场环境看，机器人产业拥有以下发展推力： 成熟 的生态系统 老龄化人口趋势和新兴市场 更多智能产品互联 和智能家庭建设 人工智能、自然语言理解能力的增强 大规模商用的难点 在以上几点的助推下，机器人产业会继续快速发展，但 要 达到大规模商用，还有很多难点需要解决。 首先，机器人 目前 的能力不能满足用户期望 ，缺少关键场景 。 得益于人工智能带来的红利，近年来 机器人 感知能力提升明显， 可以通过视觉进行人脸识别，做语音交互。但是要真正替代人类的劳动时间，做一些实际工作，机器人除了要具备感知能力，还要能够理解和决策。 机器机器人 4 . 0 白皮书 3 人需要有记忆、场景理解的能力，拥有 知识，才能够优化 决策 ， 自主实施工作，并进行个性化演进。 目前 的 机器人依然缺少令人瞩目和 必不可少 的应用场景，大部分人对于在家中拥有一个机器人没有很高的兴趣。在机器人提高自身能力，完成特定和复杂问题之前，这一比例将维持低水平。 其次， 价格高，不成规模。传感器和硬件的价格一直在下降，但是机器人的价格依然很高，不能被广泛的市场用户接受，没有形成市场规模。扫地机器人由于较低的价格，目前快速的进入大众家庭。但是对于大多数类别的机器人，特别是具有更强功能、高精度移动底盘、机械臂的机器人，价格依然是一个痛点。 第三， 隐私、安全和数据保 护问题亟待解决。随着机器人的应用领域越来越广泛，其物理安全和用户 的 数据安全 问题 更加凸显。在与机器人的交互过程中，机器人会不断收集用户的图像、语音、行动数据进行导航和决策，这些数据有的在本地处理，有的在云端处理 ，人们对这些数据的安全抱有疑虑 。对于能够自由移动的服务机器人和拥有机械臂的工业机器人，保证机器人自身的物理安全，不被恶意攻击 ， 避免 造成人身伤害也至关重要。 1 .4 . 机器人 4 . 0 的定义和发展机会 机器人 3.0 预计 将 在 202 0 年完成， 在此之后， 机器人 将进入 4.0 时代， 把云端 大脑分布在从云到端的各个地方，充分利 用边缘计算去提供更高性价比的服务 ，把要完成任务的记忆场景的知识和常识很好的组合起来，实现规模化部署。 机器人除了具有感知能力实现智能协作， 还具有理解和决策的能力，达到自主的服务 。 在某些 不 确定的情况下，它需要叫远程的人进行增强，或者做一些决策辅助，但是它 在 90% ，甚至 95% 的情况可以自主完成任务。 要达到这一目标， 首先需要利用人工智能和 5G 技术。 利用人工智能技术提高机器人本体感知能力的同时， 提升 个性化自然交互能力。利用 5G 技术， 大大缩短 从终端到接入网 的时间 ，带宽大幅度上升，很多东西 可以 放到边缘端 ，加入更 多的计算能力，包括云端大脑的一些扩展，助力机器人规模化部署。 图 2 ： 实现机器人跳跃式发展 机器人 4 . 0 白皮书 4 类似 互联网的三级火箭发展模式，第一阶段 关键 场景， 把握垂直应用，提高场景、任务、能力的匹配，提高机器人在关键应用场景的能力，扩大用户基础 ；第二阶段 人工增强，通过加入持续学习和 场景 自适应 的能力，延伸服务能力，取代部分人力，逐步实现对人的替代，让机器人的能力满足用户预期 ； 第三阶段 规模化， 通过云 - 边 - 端 融合的机器人系统和架构，让机器人达到数百万千万级水平，从而降低 价格 成本，实现大规模商用。 1 .5 . 白皮书 结构说明 本白皮书由英特尔、达闼科技、 新松 机器人 、 科沃斯 商用机器人 共同发布，分为八章。第一章分析机器人发展情况，并定义机器人 4.0 ；第二章阐述人工智能和 5G 通讯技术推动机器人架构创新，并提出云 - 边 - 端 融合 的机器人系统和架构；第三章重点分析机器人 4.0 所需的核心技术；第四章探讨云端大脑和安全专网；第五章讨论边缘智能如何支持多机器人协作；第六章思考服务机器人的场景认知、进化和业务；第七章描述协同创新与合作共赢的关键领域和方向；第八章 进行总结 与展望 。 2. 人工智能和 5G 通讯技术推动机器人架构创新 2 .1 . 人 工 智能技术演进和应用现状 人工智能技术的正式提出始于 1956 年，到目前为止已经取得不少进展。从技术上而言，可以初略划分为两类方法，一类是符号方法，一类是统计方法 ( 支持向量机，神经网络，深度学习都可以归为这一类 ) 。 人工智能的发展可以大致分为两个阶段， 1990 年以前主要是符号方法，包括基于规则，逻辑等 。 八十年代的基于知识库的专家系统是这个时期人工智能走向应用的一个尝试，取得了一定的成果，但也很快显现了这类方法的问题，比如相对开放领域的知识库很难建立完整 （ 尤其 是 常识知识很难表示完全 ) ，知识库 增大 后知识 推理的组合爆炸，缺乏学习能力等问题。上世纪 90 年代开始，统计方法开始盛行，取得了不少的进展，包括支持向量机等机器学习方法，并广泛应用于语音识别，自然语言处理，计算机视觉，数据挖掘等领域 。 从 2012 年开始，深度学习方法在计算机视觉，语音识别方面取得了较大的突破， 不少任务的性能在大规模数据集上面 得到 大幅度提升 。人工智能尤其是深度学习方法已经在不少领域开始广泛应用，包括语音识别，人脸识别等， 作为机器人 3.0 的核心技术， 在机器人的应用中起到了重要的作用 。 近年来人 们 发现 了 困扰传统机器学习方法的一些问题，如鲁棒性 、 可解释性，小数据学习在深度学习方法的框架下仍然没有得到解决。 总体说来，人工智能技术 60 多年来 取得了不少的突破，但也存在不少亟待解决的问题。人工智能之父明斯基在发布他的新书之前发表的一篇论文 5 也深刻 地 指出，目前 人工智能的进展低于他的期望，其中一个主要原因是主流的方法 （ 符号方法，统计方法或更细分的方法 ） 都是想基于单一方法来解决人工智能问题，而真正的人类智能则是 有机 地 结合了多种方法并进行选择应用的结果，未来的人工智能 需要 走这个方向才能进一步 突破。机器人领域的应用 对人工智能提出了 尤其 更高的要求，这也就需要在人工智能领域取得更多的突破 。 机器人 4 . 0 白皮书 5 2 .2 . 5G 通讯技术的演进和应用现状 5G 是第五代移动通信技术的简称， 5G 标准自 2016 年在 3G PP 正式开始立项，于 2017 年12 月完成了 5G R 15 非独立组网的标准制定，支持在 4G 网络下同时部署 5G 网络，并于 2018年 6 月完成了 5G R 15 独立组网的标准制定。目前 5G 在各个国家开始了实验性部署 。 在国内，三大运营商从 2018 年开始 5G 实验网 的测试， 20 19 年已经在部分城市完成了在 sub - 6G h z 频段以下的 5G 规模 测试。 5G 实验网峰值速率可以达到 10G bps ， 在 密集部署城区平均速率 达到 了100Mbp s ，在低时延模式下， 5G 终端和基站传输时延达到 1 毫秒 以内，满足了 I T U 最初制定的5G 需求 6 。 2019 年 6 月，国内正式发布了 5G 的牌照，中国移动 、 中国联通 、 中国电信和广电开始了商用部署。 4G 技术从 2008 年 3G PP r el ea se 8 标准完成到 2013 年 4G 牌照的 发布用了 5 年时间， 5G 从标准完成到牌照的发布只用了一年，凸显了国内 5 G 发展的迫切和重要。 图 3 ： 5G 支持的业务 除了网络传输能力的提升， 5G 还制定了非常灵活的空中接口和核心网标准，增强了对不同业务支持的能力，相对于 4G 以移动宽带（ MBB ）为主的应用， 5G 的应用领域进一步加强移动宽带业务（ eM B B ），比如高清 / 全景视频，移动 V R /A R 等等，同时 5G 的应用拓展到海量连接的物联网（ m MT C ）和高可靠低时延（ U R LL C ）的业务。 U R LL C 的业务包括车联网 、 自动驾驶 、 远程医疗 、 工业自动化等应用。国内的 5G Sub - 6G hz 频段部署， eM B B , U R LL C , m MT C 应 用都可以得到很好的支持。在高频段，比如 28G H z 左右，目前在国内还在实验阶段，高频段将主要支持 eM B B 应用。对于云端机器人应用，既有时延和可靠性要求不高的应用，比如数据备份 、 训练数据的采集等等，也有实时视频传输交互，还有 对 时延和可靠性要求非常高的 机器人的运动控制、远程操控等等。这些应用，可以在 5G 网络上，通过灵活的配置得到更好的支持 。 对于 5G 的应用，其最初的商用部署是针对 eM B B 业务，比如 5G 的手机等等，由于标准和网络设备的复杂性， 5G 设备和网络的功能会根据需求演进 。 如果 eM B B 模式不能完全满足机器人 4 . 0 白皮书 6 需求， 就 需要积极和运营商、设备商沟通、合作，推动对该业务的支持。同时 5G 的 标准也在不断的演进，目前 5G R 1 6 版本的标准正在制定过程中，计划将于 2019 年底完成。 R 16 版本将包含对 5G 网络效率的提升和应用的增强，比如对车联网 、 工业 I o T 和 U R LL C 业务的增强。5G 网络的持续演进将进一步增强网络的能力和灵活性，满足机器人 4.0 的 云 - 边 - 端 的更高的互联要求。 2 .3 . 云端大脑对机器人能力的增强 20 1 0 年提出的云机器人概念引入了云端大脑，机器人尝试引入云计算、云存储及其它云技术，达到机器人融合基础设施和共享服务 的 优点 7 。相比于独立的机器人本体，连接云端大脑后的机器人拥有以下四 个核心优势。 信息 和知识 共享 ： 一个云端大脑可以控制很多机器人，云端大脑可以汇集来自所有连接机器人的视觉、语音和环境信息，经云端大脑智能分析处理后的数据信息可以被所有连接机器人使用。利用云服务器，各机器人本体获取和处理的信息可以保持最新，并安全备份。 平衡计算负载 ： 一些机器人功能需要较高的计算能力，利用云端平衡计算负载可以降低机器人本体的硬件需求，在保证能力的同时，让机器人更轻、更小、更便宜。 协同合作 ： 通过云端大脑，机器人本体不再独立工作， 多机器人可以协同工作，例如共同搬运货物 ，配合完成一整套工作流程等。 独立于本体持续升级： 借助云端大脑，机器人可以独立于本体持续升级，不再依赖于本体硬件设备。 2 .4 . 边缘计算对机器人服务的提升 I o T 应用的快速发展，使得大量数据在网络边缘产生，推动了边缘计算的产生和发展。边缘计算的提出始于 4G 时代，将计算和存储资源部署到网络边缘，不仅可以减少核心网和互联网上的流量，还可以显著降低传输时延 ， 提高网络可靠性。 低时延的业务需 要 终端、移动蜂窝网（接入网和核心网）、互联网、数据中心的端到端的保障。目前的测试结果表明 5G 手机和基站的数据通路延时可以达到 4 毫秒，在 U R LL C 模式下，手机和基站的延时可以达到 1 毫秒以下， 相 比 4G 的 20 毫秒 提高了 20 倍左右 6 。对于互联网和数据中心的时延，一般情况下由于地理位置分布广和未针对低时延优化，从核心网网关到互联网数据中心可在几十到几百毫秒之间。在 5G 中，其核心网引入了分布式网关，网关可以下沉到基站附近，边缘服务器可以直接连接到分布式网关上，大大降低网络的端到端时延。 边缘计算的引入将解决终端能力受限和云计算的实时响应的问题，增强机器人云端大脑的实时响应能力，对于满足机器人 4.0 的要求十分关键，比如实时的推理 、 场景理解 、 操控等等。边缘计算和云计算的结合，将突破终端的计算能力和存储的限制，提高 AI 算法的训练和推理能力，比如提升精度和降低训练时间。同时将大部分机器人的智能布署在边缘和云端，通过协作和不断的训练，持续不断的提高机器人智能，比如通过边缘计算能更好的支持实时的多机协作，支持实时的知识图谱提取、理解和决策，持续不断的提高机器人的智能。边缘计算和云计机器人 4 . 0 白皮书 7 算还可以解决机器人终端升级维护的困难，在机器人 本体 的生命周期内不断升级，提高机器人的能力， 增强数据安全和隐私保护， 充分利用摩尔定 律带来的 性能 提升 。 2 .5 . 云 - 边 - 端一体化对机器人系统的支撑 云 - 边 - 端一体化构建了一个通过机器人提供多样化服务的规模化运营平台。其中，服务机器人本体是服务的实施者，而实际功能则根据服务的需要无缝地在终端计算（机器人本体）、边缘计算和云计算之间分布和协同。机器人系统类似现在智能手机上的各种 A PP ，主要关注如何实现高性价比的多模态感知融合、自适应交互和实时安全计算。 多模态感知融合： 为了支持机器人的移动、避障、交互和操作，机器人系统必须装备多种传感器（如摄像头、麦克风阵列、激光雷达、超声波等）。 同时，环境里的 传感器可以补足机器人的物理空间局限性。大部分数据需要在时间同步的前提下进行处理，并且调用不同复杂度的算法模块（例如 SL A M ，图像处理，人和物体的识别等）。机器人硬件系统和边缘计算需要协同来支持（可能来自多个机器人的）多传感器数据同步和计算加速，因此应 该采用能灵活组 合 C P U 、 FP G A 和 D SA ( D o m ai n - S pec i f i c A cc el er a t o r ） 的异构计算平台。另一部分没有强实时性要求的感知任务（如人的行为识别、场景识别等），可以由云计算支持。 自适应交互： 为了支持机器人的个性化服务和持续学习能力， 需要将感知模块的输出与知识图谱结合对环境和人充分理解，并且逐步提取和积累与服务场景和个人相关的个性化知识。通用知识和较少变化的领域知识应该存放在云端，而与地域和个性化服务相关的知识应该存放在边缘或者终端。无论知识存放在哪里，在机器人系统中应该有统一的调用接口，并可以保证实时通讯。基于 R O S2 构造涵盖终端和网络侧的软件系统框架可以满足未来的需求。 实时安全计算： 未来的服务机器人应用将有大量需要实时响应的情形（如语音交互、协同操作等），因此需要在边缘服务器部署相应的加速硬件。同时，机器人也将处理大量涉及用户隐私 的数据（如视频、图像、对话等）。云 - 边 - 端一体化架构需要构建隐私数据的安全传输和存储机制，并且限定物理范围。对于可以进行物理操作的机器人，要构建独立的安全监测机制，保证即使机器人系统被远程攻击劫持后也不会造成物理安全损害。 3. 机器人 4.0 核心技术 在 机器人 3.0 时代，服务机器人 可以做到一些物体识别、人脸识别，在 4.0 时代需要加上自适应 能力。因为 用深度学习做物体识别、人脸识别的时候需要很多的数据来源 ，但是真正到家庭场景时 没有那么多数据， 这就要求机器人 必须通过少量数据去建立识别 能力，自己去找到不同的位置，不同的角 度做训练 。 这些就是 机器人 4.0 要做的，首先对三维环境语义的理解， 在 知道它是什么 的基础上 ，把看 到的 信息变成知识， 让 存储就变得更加合理，而且可搜索， 可查询，可关联 ，也可推理。应用层 可以根据这个知识和观测为现场场景做 出智能的提醒， 寻找物品，进行行为检测。例如，