2016 深度學(xué)習(xí)機器人領(lǐng)域最新應(yīng)用及趨勢總結(jié)

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

　　Ashutosh Saxena的觀點是，機器人應(yīng)用場景中的深度學(xué)習(xí)問題就像一個因子圖，每個因子都是一個經(jīng)過訓(xùn)練的RNN。Saxena認為，形成這樣一個主因子圖結(jié)構(gòu)，同一個機器人不同時間的子任務(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?zāi)Ｐ拖嘟Y(jié)合。Fox表示他以前對深度學(xué)習(xí)抱有懷疑，但如今已經(jīng)是深度學(xué)習(xí)的積極擁護者，其原因是深度學(xué)習(xí)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(qū)間，但在實際應(yīng)用中很難達到這一點。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一開始說自己是深度學(xué)習(xí)懷疑論者，但5個月前他看到了LarryJackel做的英偉達自動駕駛有關(guān)項目，然后改變態(tài)度，認為“讓那些不用深度學(xué)習(xí)的人自生自滅就好了”。Jackel使用的是特斯拉收集的數(shù)據(jù)，包含攝像頭和傳感器記錄的上億英里的駕駛訓(xùn)練數(shù)據(jù)。Leonard還介紹了深度學(xué)習(xí)在機器人傳統(tǒng)概率推理中的應(yīng)用及未來潛力。