机器人变局：从智能装备走向数字孪生

　　互联网 记者 李靖恒 “人的存在和动物的存在不一样，他能够思考。”中国工程院院士李培根在深圳华中科技大学研究院举办的公益讲座上说。而这场演讲的主题是“智能装备：魂之安在。”

　　李培根在演讲中，介绍了目前智能装备的关键要素，以前的机器装备可以把它看成是一个实体，有的自动化程度很高，但是没有自我感知、自我意识，“在数字智能时代，装备机器跟以前的有什么不一样？他不仅仅有感知，还有意识，能自主地运动。所以在某种意义上讲，数字智能时代的装备和以前的装备是不一样的。”

　　李培根认为，可以把数字智能时代的智能装备看成是一个物理生命体，而以前的机器装备是一个物理实体。区别在于，现在的数字智能装备在它的全生命周期中间伴有数字化模型，包括在他的开发、使用运行的整个过程中。这种数字化模型被称为数字孪生体。

　　“数据是物理生命体的血液，数据及智能赋予物理实体‘生命’；实际上，数字孪生体也就是智能装备之魂。”李培根说。

　　场景中学习

　　李培根总结，机器人1.0就是一般的自动化，比如很多就在装配线上得以实现。机器人2.0使用的是数字化的技术，可以收集数据。机器人3.0就是希望机器人能够协作。机器人4.0就是可以自主服务，要求相对较高，这里面包括场景自适应，比如怎么适应开放的环境。

　　比如，波士顿动力公司准备发布其首款面向开放世界的商用四足机器人Spot，可以在开放世界环境中运行，在崎岖的地形上保持平衡，并可以自行在已绘图区域进行导航。这使得在城市街道、大学校园和建筑工地应用机器人成为可能。这种机器人不再局限于企业内部，可以应对各种操作条件、人口稠密的空间甚至其他自动化设备。

　　李培根介绍，现在的机器人通过身上各种传感器感知真实物理世界，并对物理世界进行三维重建，形成三维环境的高精度语义地图，让机器人真正理解当前的物理世界以及客观物体之间的关系。

　　三维语义地图同时也构建了机器人数字孪生运行的虚拟物理空间，可以持续不断地模拟和训练各种智能机器人的智能能力。这种云端机器人“大脑”可支持同时为百万级实体机器人提供云端智能服务，帮助机器人理解世界。

　　相应地，为了支持机器人的移动、避障、交互和操作，需要为机器人装备多种传感器，如摄像头、麦克风列传、激光雷达、超声波。传感器收集到的大部分数据需在时间同步前提下进行处理。而其中没有强实时性要求的感知任务可以由云计算支持，比如人的行为识别、场景识别等。

　　李培根举例展示了隧道智能装备如何感知环境。“机器人在隧道里面打洞时，山洞不同部位的地质情况会发生变化，需要我们在工作时收集实时数据，并实时改变某些参数，这就需要机器能够自动判断。”

　　李培根进一步表示，这些智能装备可以自己在环境中学习。“它做的事情越多，经验也越多。在施工运行的环境中，机器可以从数据中发现一些潜藏规律，装备会变得越来越聪明。复杂的机电系统中很多相互关联的因素，往往连专家们也难以意识到，基于大数据的深度学习方法能够发现那些隐藏的关联。”“具有学习能力的孪生模型，能够使物理装备变得越来越聪明，也是物理生命体最重要的‘自我意识’。”李培根说，智能装备通过实时采集运行过程中的数据而建立起来数字孪生模型，这是装备能够自我意识、自己适应环境变化的关键。这种“生命”的过程总是在特定的环境中，与伙伴、装备服务的对象、操作者等联系在一起。

　　例如，在早期，企业里的机器人只能根据磁条路线定位，沿着固定的路线走，现在则是地图定位，这就需要自主移动机器人对场景收集孪生数据。这种自主移动的机器人，通过扫描作业环境并自主更新地图，因此无需辅助固定信标，对工作场地几乎没有改造需求。

　　自主移动的机器人技术融合了激光雷达、深度摄像头、超声波雷达等多项感知技术，可全面感知周围环境，拥有智能的决策能力，能实现生产环境中灵活、自主的避让、协同，非常适合部署在复杂动态的生产场景中。

　　李培根进一步介绍，复杂系统是多领域物理的综合集成系统，如机械、力、热，液压、电等。而装备数字孪生模型可能含有反映产品不同物理特性的模型，如计算机流体力学、结构动力学、热力学、应力分析、疲劳损伤以及材料状态演化等。将基于不同物理属性的模型关联在一起，是建立数字孪生、继而充分发挥其模拟、诊断、预测和控制作用的关键。

　　“现在我们数字化的能力，可以对多物理多领域的这些参数进行综合分析。一个机器涉及到很多的部件，就像一个人有心脏肺肝脏。对每个器官可以建立相应的数字孪生模型。”李培根说。

　　动态数据：从汽车到城市

　　李培根认为，在数字智能工程中，重要的是追寻“物理生命体”的存在，而非物理实体固定、僵化的存在。

　　“数字孪生的意义，本来就不是基于处理静态问题，产品的运行过程都是动态的过程。对动态问题的认识并施加相应控制，这才是数字孪生的重要意义所在。比如，对激光加工机运行过程的数字孪生模型进行分析，反过来控制激光机的运行。”李培根认为，“我们不是为了收集数据而收集，收集到这些孪生数据后，可以就数字孪生模型进行仿真。我们很早以前就有这个所谓虚拟样机，就是这个实物设备还没有出来的时候，在计算机上面就可以仿真出这个设备。

　　但以前的虚拟样机和机器装备不是共生的。共生意味着机器在运行过程中，不断影响数字孪生模型；反过来，孪生模型也可以不断影响机器装备的行为。这是以前虚拟样机所不具备的功能。

　　例如，前段时间的特斯拉“车顶维权”事件，特斯拉公布车辆发生事故前30分钟的数据。车辆记录下了车数、制动行为、制动主缸压力等多项数据。可以看出，特斯拉对每一个出售车辆都建立了数字孪生体。

　　因此，过程孪生不只针对产品，还针对使用者。对于非自动驾驶模式，除了车的数字孪生模型，还需建立驾驶者的数字模型，以便在困难情况下基于特定的驾驶者行为反应，使驾车效果进一步微调。而且，在汽车新产品开发中，通过正在运行的汽车得到的数据去模拟汽车性能和驾驶者反应，可以评估设计效果。

　　另外，李培根进一步介绍，还有汽车制造里面的焊接和喷涂，这是汽车四大核心的制造工艺，一条产线上集成了众多数量的机器人。机器的健康程度在逐渐发生细微的变化，当某个机器人的行为姿态或信号传输出现了公差，那么出现的误差可能形成累计效应，导致生产出来的产品有很大的质量隐患，而这种隐患往往无法立刻用肉眼能发现。

　　现在普遍的产品质量检测，是以产线末端的人工抽检为主，提高检测率就需要投入更多人力成本。一条稳定的产线也许一年发生的质量事故不多，一旦发生就损失惨重。然而工艺智能的应用，可以通过高速数据采集和检测，快速发现问题并让损失减少至最小生产批次内。

　　除了汽车领域，现实生活中，数字孪生还能被哪些场景所应用？

　　科大讯飞（002230）（002230.SZ）董事秘书办相关人员告诉记者，目前他们研发的智慧城市项目，正在运用人工智能的技术，为城市构建“大脑”。科大讯飞是国内一家专注从事人工智能的企业。目前，“城市超脑”技术，通过收集城市的现实、历史、时间和空间的数据，利用人工智能学习行业知识、发掘数据关联关系，并对城市进行系统性理解、即时分析和模拟仿真。

　　“这个系统能够帮助城市管理者，更精细地了解城市的具体状况，提出具体解决方案。比如在交通领域，每天有早高峰晚高峰，不同路段的人流密度也不一样。通过城市超脑系统，可以对交通的一些信号路口时间的设置进行优化。在司法领域，我们推出了24小时警务服务系统，通过技术帮助刑侦破案。”该人士表示。

　　据悉，科大讯飞帮助铜陵市建设的“铜陵城市超脑”，还入选《城市大脑全球标准研究报告（2020）》，成为全球仅有的6个入选典型案例。

　　另外，科大讯飞推出的智慧医疗，正在帮助全国的基层医疗进行诊断。“我们把全国各地的病例汇集到这个系统中，让机器自己学习怎么看病。如果把病人的一些基本信息输入到助理系统中，助理就会自动做出判别。我们已经在全国100多个县市推行了这个系统。”该人士说。