2016 深度學(xué)習機器人領(lǐng)域最新應用及趨勢總結

　　OliverBrock將機器人技術(shù)里的深度學(xué)習現狀和煉金術(shù)相比，每個(gè)人都有自己設計架構的黑魔法，而這是一個(gè)值得全領(lǐng)域從業(yè)者注意的問(wèn)題。Brock呼吁要建立起機器人技術(shù)的“元素周期表”，研究者應該注意并且在論文中強調自己使用的方法對解決其他領(lǐng)域問(wèn)題的適用性。

　　Ashutosh Saxena的觀(guān)點(diǎn)是，機器人應用場(chǎng)景中的深度學(xué)習問(wèn)題就像一個(gè)因子圖，每個(gè)因子都是一個(gè)經(jīng)過(guò)訓練的RNN。Saxena認為，形成這樣一個(gè)主因子圖結構，同一個(gè)機器人不同時(shí)間的子任務(wù)和不同機器人之間就都能共享組件

。

　　Dieter Fox主張將深度框架和先驗模型相結合。Fox表示他以前對深度學(xué)習抱有懷疑，但如今已經(jīng)是深度學(xué)習的積極擁護者，其原因是深度學(xué)習技術(shù)在機械手的姿態(tài)估計中的魯棒性。Fox表示，純粹基于模型的方法雖然能得到明確的置信區間，但在實(shí)際應用中很難達到這一點(diǎn)。他以ICP要求為例，至少用CNN做單幀手勢跟蹤魯棒性非常好。

　　John Leonard一開(kāi)始說(shuō)自己是深度學(xué)習懷疑論者，但5個(gè)月前他看到了LarryJackel做的英偉達自動(dòng)駕駛有關(guān)項目，然后改變態(tài)度，認為“讓那些不用深度學(xué)習的人自生自滅就好了”。Jackel使用的是特斯拉收集的數據，包含攝像頭和傳感器記錄的上億英里的駕駛訓練數據。Leonard還介紹了深度學(xué)習在機器人傳統概率推理中的應用及未來(lái)潛力。