1.3 机器人学与人工智能

1.3.1 人工智能的发展

人工智能（Artificial Intelligence，AI）是研究开发用于模拟和延伸或扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学^[7]。人工智能是计算机科学的一个分支，旨在了解智能的实质，并生产出一种新的能以类似于人类智能的方式做出反应的智能机器。人工智能领域的研究除了机器人，还有语音识别、图像识别、自然语言处理和专家系统等。人工智能的应用领域除了机器人，还有机器翻译、智能控制、专家系统、语言和图像处理、自动程序设计、航天应用、庞大的信息处理和存储与管理，以及执行人类自身无法执行的复杂或规模庞大的任务等。随着人工智能理论和技术的日益成熟，其应用领域也正在不断扩大，未来人工智能带来的科技产品，将会是人类智慧的“容器”，也可能超过人类智能。

人工智能的正式提出是在1956年，到目前为止已经取得不少进展。从技术上而言，人工智能采用的方法可以初步划分为两类，一类是符号方法，另一类是统计方法（支持向量机、人工神经网络、深度学习都可以归为这一类）^[8]。

人工智能的发展可以大致分为两个阶段，1990年以前主要采用符号方法，包括基于规则、逻辑等方法。20世纪80年代，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，比如很难完整地建立相对开放领域的知识库（尤其是很难完全表示常识），也出现了知识库增大后知识推理的组合数量太多、缺乏学习能力等问题。

从20世纪90年代开始，统计方法开始盛行并取得了不少进展，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，在大规模数据集上任务的执行性能得到了大幅度提升。人工智能，尤其是深度学习方法，已经在不少领域得到广泛应用，包括语音识别、人脸识别等，在机器人的研究中起到了重要的作用。近年来人们在鲁棒性、可解释性、小数据学习等方面发现了困扰传统机器学习方法的一些问题，这些问题在深度学习方法的框架下仍然没有得到解决。

总体说来，60多年来人工智能技术取得了不少的突破，但也存在不少亟待解决的问题。人工智能先驱马文·明斯基（Marvin Lee Minsky）在他的一篇论文中指出，目前人工智能的进展低于他的预期，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的结果，未来的人工智能需要走这个方向才能取得进一步突破。机器人领域对人工智能提出了更高的要求，这也需要在人工智能领域取得更多的突破。

1.3.2 机器人学与人工智能的关系

机器人学与人工智能有十分密切的关系。人工智能的近期目标是研究智能计算机及其系统，以模仿和执行人类的某些智能，如判断、推理、理解、识别、规划、学习和其他问题求解。

然而，目前大多数机器人学的研究还是以控制理论的反馈控制为基础的。也就是说，迄今为止，机器人上的“智能”是由于应用反馈控制而产生的。但是反馈控制本身并非建立在人工智能的基础上，而是属于传统控制理论的范畴。

反馈控制有其局限性，因为反馈控制的数学模型及其实现有众多约束。而人工智能则有许多对环境和周围相关事物产生灵活响应的方法。按照传统控制理论，对事物的响应取决于经过数学化处理的输入，而人工智能可采用诸如自然语言、知识、算法和其他非数学符号等的输入。

一方面，机器人学的进一步发展需要人工智能的理论来指导，并采用各种人工智能技术；另一方面，机器人学的出现与发展又为人工智能的发展带来了新的生机，产生了新的推动力，并提供了一个良好的试验与应用场所，它可以全面检验人工智能技术，并探索这些技术之间的关系，可以说，机器人学的发展推动了人工智能的发展。机器人学中的一些技术可在人工智能研究中用来建立世界模型和描述世界变化的过程。例如，关于机器人路径规划生成和规划监督执行等问题的研究，推动了规划方法的发展。人工智能可以在机器人学上找到实际应用的空间，并使问题求解、任务规划、知识表示和智能系统等基本理论得到进一步发展。

总体来说，机器人学与人工智能紧密相关，机器人学的发展需要人工智能的理论来指导，机器人学的发展依赖于人工智能的发展；反过来，机器人学又是人工智能的试验和应用场所，机器人学的发展为人工智能的发展提供了新的推动力。