专家视点 | 智能感知的现状与未来

  ▌什么是智能感知?

  人工智能,英文缩写为AI。该学科力图了解自然界人类智能的本质,并开发出一种能与人类智能相似方式做出反应的智能机器。该领域的研究包括机器人、语言识别、图像识别、自然语言处理等。


  人工智能的概念提出虽早,但早期的发展比较缓慢。在上世纪70年代用神经网络算法验证了许多数学命题,掀起了人工智能的第一次研究热,此时研究者确信符号方法最终可以成功创造出强功能的人工智能机器。从1967年开始出版不定期刊物《机器智能》,从1970年开始出版期刊《人工智能》,从1969年开始每两年举行一次人工智能国际会议(IJCAI)。虽然在20世纪80年代,有一段时间人工智能的发展似乎受到了很大挫折,但到了90年代以后,又获得了迅速发展,在很多学科领域都获得了广泛应用,并取得了丰硕的成果,无论在理论和实践上都已自成体系。进入本世纪以来,一方面在设计高级计算机时广泛应用人工智能的成果,另一方面又利用超级微处理机实现人工智能,大大加速了人工智能的研究和应用。人工智能的研究领域已经涉及许多方面,尤其是人机围棋大战中AlphaGo多次打败人类的结果连续出现,有关人工智能的话题便在学术界和产业界引起了广泛热议。由此,各国政府和企业都纷纷提出了人工智能的发展研究计划。此时,人们认为人工智能便是21世纪三大尖端技术(基因工程、纳米科学、人工智能)之一了。


  有研究者认为,人工智能的发展主要分为三个层次,即运算智能、感知智能和认知智能。所谓运算智能,是指计算机快速计算和记忆存储的能力。所谓感知智能,是指通过各种传感器获取信息的能力。所谓认知智能,是指机器具有理解、推理等能力。这种分类方法是否合理我们不予讨论。笔者认为,关于人工智能发展的研究,应主要着重智能感知和智能决策两个方面。


  本文所谓智能感知,不仅包括通过各种传感器获取外部信息的能力,也包括通过记忆、学习、判断、推理等过程,达到认知环境和对象类别与属性的能力。所谓智能决策,是指在对环境和对象智能感知的基础上,为达到某种目的,经过再次记忆、学习、判断、推理等过程,给出行为决策的能力。本文只讨论智能感知的现状和未来。


  ▌智能感知的发展现状

  一般来说,一个有效的人工智能系统是基于其感知、记忆和思维能力,以及学习、自适应及自主的行为能力等。具有在复杂场景中的动态智能感知能力,就需要利用多源信息融合技术,将跨时空的同类和异类传感信息进行汇集和融合,才能通过记忆、学习、判断和推理,以达到认知环境和对象类别与属性的目的。在此基础上,才能使基于经验判断和智能处理的决策成为可能。


  机器人作为人类20世纪最伟大的发明之一,在短短的40年内发生了日新月异的变化。机器人已经不仅成为先进制造业不可缺少的自动化装备,而且正以惊人的速度向海洋、航空、航天、军事、农业、服务、娱乐等各个领域渗透。基于多源信息融合的智能感知是机器人的现代支撑技术之一,它根据多传感器所提供的多源同构或异构信息,经过智能信息处理,可以综合地认知环境和对象的类别与属性,以达到智能感知的目的,从而可按行为准则实现应有的行为决策。


  本世纪以来,无人驾驶汽车已经成为各国政府和大型企业鼓励的重大发展计划之一。无人驾驶汽车已经实现了城市、环路及高速道路混合路况下的全自动驾驶,并实现了多次跟车减速、变道、超车、上下匝道、调头等复杂驾驶动作,完成了进入高速(汇入车流)到驶出高速(离开车流)的不同道路场景的切换。无人驾驶汽车的重要支撑技术之一即是智能感知,需要利用车上和路上安装的各种传感器获取路况和环境信息,并利用智能推理达到正确识别路况和环境的目的,在此基础上才能完成自动驾驶的动作。


  现在,世界各发达国家都为提高武器平台的协同作战能力,需要在网络化系统的支撑下,使信息充分发挥纽带和桥梁作用,将参战的各武器平台链接成一个结构紧密、反应灵敏、能充分发挥各自武器平台优势的网络化体系结构。其中一个重要的任务,就是基于网络化系统多传感信息融合的态势感知。用于网络化系统态势感知的传感器可能包括:海防雷达信息、光学成像信息、声探测传感器信息、电子侦察信息、宽幅成像卫星信息、技侦信息等。

640.webp (1).jpg 

图1 基于对抗的智能态势感知预警模型


  战场的目标识别随着智能感知技术的发展,从单一的可见光传感(摄像机)发展到现代的多光谱、前视红外(FLIR)、毫米波(MMW)雷达、合成孔径雷达(SAR)等多种传感手段。用于目标识别的信息类一般包括目标的外形信息、运动信息和辐射信息(声音与电磁波辐射)等。


  随着人们对于环境问题的关注程度越来越高,用于环境感知的无线传感器网络的出现,为研究数据获取提供了便利,并且还可以避免传统数据收集方式给环境带来的侵入式破坏。无线传感器网络还可以跟踪候鸟和昆虫的迁移,研究环境变化对农作物的影响,监测海洋、大气和土壤的成分等。此外,它也可以应用在精细农业中,来监测农作物中的害虫、土壤的酸碱度和施肥状况等。


  由于无线传感器网络具有密集型、随机分布的特点,使其非常适合应用于恶劣的战场环境监测中,包括侦察敌情、监控兵力、装备和物资,判断生物化学攻击等多方面用途。


  现代智能感知系统的一个重要技术手段就是能够获取足够的传感信息和由之产生的特征信息。各种传感器的信息具有不同的特征,而智能感知的重要任务之一是要从各种传感信息中抽取对象的各种特征。正如小孩子从娘胎出来后认识母亲时要获取母亲的各种形象特征和语音特征等一样。


  获取对象和环境各种特征的过程,实际上是一个记忆和学习的过程。自然界人和动物的记忆和学习机理还远远没有揭示出来,现在急速发展的深度学习方法是实现记忆和学习功能的一种有效手段。深度学习的概念源于人工神经网络的研究,含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示特征,以发现数据的分布式特征表示。例如,目标形体不变矩特征的提取与学习,是从一幅数字图像中计算矩量,并获取该图像不同类型几何特征信息的过程。目标运动特征提取与学习,是对其速度、高度、机动等特性的获取与学习的过程。目标辐射特征的提取与学习,是对其电磁辐射、音频辐射等频率、带宽特性,以及隐含信息特征获取与学习的过程。


  获取了对象和环境的各种特征之后,智能感知的另一重要任务是判断和推理。实际上,每种传感器仅能给出目标和环境的部分特征信息,如何利用各种类别的特征信息来确定目标和环境的类别与属性,需要基于多传感信息融合的判断和推理。多传感信息融合的基本原理,是把在空间或时间上的冗余或互补的信息依据某种准则进行充分组合,以获得感知对象的一致性解释或描述,从而完成智能感知的全过程。


  现代智能感知系统需要模仿人和动物的认知机理,来完成对象的特征提取和智能推理等过程。自然界人和动物认识客观对象的多传感信息融合机理还远远没有揭示出来,但人工智能可以用机器视觉-机器听觉-机器触觉,以及感知信息融合的全过程来模拟人和动物的认知过程,这也需要建立新的理论框架来描述认知的本质。建立判断和推理的方法很多,如概率推理、模糊判定、证据理论等。


  在此介绍一种生物界特有的感知推理机制。在动物中,用于目标识别的一个典型例子是响尾蛇的光眼和热眼。


640.webp (2).jpg  

图2 自然界响尾蛇两种眼睛对感知对象的融合模式


  生物学家对响尾蛇的认知机理进行了深入研究,其热眼和光眼可以获取草丛中要猎取对象的不同特征信息,响尾蛇的大脑顶盖对来自两类眼睛的信息进行融合,最后判定是否为可捕捉的目标。响尾蛇的这种认知机理融合模式共有6种,如图2所示。前2种模式是简单的逻辑“或”与逻辑“与”。后4种模式则是所谓“条件模式”,即一种认知结果对另一种认知结果的增强,或者反过来是一种认知结果对另一种认知结果的削弱。这种感知的所谓条件模式其实具有生物认知的普遍意义。例如,一个多年前熟悉的朋友突然出现在人群中,从外形判断可能是那位朋友的可能性也许只有三成,但突然听到他说话的声音,这时可能性会提高到八成,或者反过来降低到不足一成。


640.webp-(3).jpg  

图3 人类大脑对来自眼睛和耳朵的异构信息融合同样表现出条件证据推理机制


  自然界响尾蛇的大脑顶盖对来自两类眼睛的信息进行融合所反映的条件机制,启发人们建立了基于生物多模异构信息融合机制的多源异构信息融合方法,从而达到非结构化信息互补集成的目的。


640.webp.jpg  

图4 用于军事对象识别的条件证据推理融合模式


  按照生物异构信息融合的复杂机制,基于随机集理论和条件事件代数的基本理论,以及基于类Jeffrey规则的证据更新方法,建立了事件之间的类Bayes规则,从而建立了类似生物复杂融合机制的一类融合规则。


  在人工智能系统迅速发展的今天,智能感知在诸多领域,如机器视觉、指纹识别、目标识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、态势感知、智能搜索等领域取得了辉煌的成就。目前,智能感知研究的理论基础是基于大数据深度学习的感知对象特征提取,以及基于各种特征的类生物机制的推理方法等。


  到了2013年,有人开发了一种新的数据分析方法,似乎给计算机的“创造力”提供了一种手段。这种所谓“创造力”,实质上是建立的一整套智能感知和智能决策能力体系。甚至有人担心,未来“精于创造”的计算机一旦掌握了全面智能感知和智能决策能力,可能会反过来对抗人类。


  ▌智能感知的未来

  智能感知技术在未来的发展,首先应该强调智能机器人。未来的智能机器人应该具备形形色色的智能感知系统,具有智能化水平更高的机器视觉、听觉、触觉和嗅觉,并更具有相当发达的“大脑”学习机制和推理机制。这种智能机器人能够完全理解人类语言,应该根据感知信息进行智能判断和分析,形成和人类非常相似的感知模式。其中还有许多难题需要解决,如基于环境理解的全局定位、目标识别和障碍物检测等。


  未来的自动驾驶车辆与智能交通系统对于智能感知的需求更强。自动驾驶车辆在世纪初已经呈现出接近实用化的趋势,依靠智能感知技术将实现全面自主的协同工作。智能交通系统将实时、准确、高效地实现综合交通运输管理,要求在一个更广范围内实现智能感知,不仅要求对局部路况和环境的感知,还要求对区域内车辆分布、天气变化、突发事件等的智能感知。


  未来多平台协同作战的战术信息系统,要以各平台之间的武器协同数据链(全向或定向)作为网络传输通道,支持各作战平台在作战过程中进行智能感知信息的共享,以达到协同探测、协同攻击和协同防御的目的。


  未来发展的智能控制系统,是人工智能和控制理论的交叉,是具有智能感知、智能信息反馈和智能控制决策的系统。对工业对象的智能感知更具有复杂性,千变万化的场景与对象需要各种各样的传感器获取信息,要充分利用人工神经网络的自学习特性和容错特性,进行深度学习以获取场景与对象的各种特征,再利用专家系统和各种推理规则达到认知场景与对象的目的,为其行为决策提供依据。


  最近,百度百家BIG硅谷峰会在美国加州计算机博物馆举行,围绕人工智能和大数据处理,8位各自领域前沿专家给现场听众带来一场脑洞大开的思想盛宴,其中康奈尔大学创意机器人实验室主任Hod Lipson分享了他们对机器人自我意识和自我进化的研究,也引发全场观众对人类前途的一种担忧。


  Lipson将自我意识定义为在没有实体经验情况下的想象能力。这种自我意识是人类特有的,但Lipson在一次研究中发现被设计跟踪猫狗图像的深度学习程序在经过一些训练后,突然开始自发地追踪人脸。这个发现让他毛骨悚然,他意识到经过特别设计的机器系统会自己学习,不断进步,所以它们非常有可能突破人类预先为它们设定的规则,产生自我意识,人类将无法掌控它具体能学到什么。


  Lipson发现如果把两个有深度学习能力的程序结合在一起,就可能产生类似人类自我意识的能力,这就好比机器人拥有了进化论里最重要的环境适应能力。在他的实验室中,一个没有经过走路编程的机器人通过自我进化可以实现行走功能,当切断它的一条腿后,它还能自己学习用剩下的腿继续行走。他还发现,拥有自我意识的机器人会创造更多的机会。其中一个机器人已经学会提出数学假说,还能自己验证。以后机器人会很快获得更多原本只有人类可以完成的事情,比如绘画、写诗、照顾小孩,甚至机器人还可以通过3D打印帮助创造机器人。


  达尔文曾经说过,能生存的一直不是最强的,而是最能适应环境的。而如今机器人不仅获得人类特有的适应能力(可以根据环境想像并调整的自我意识),而且看起来它在很多方面还优于人类。比如人类每个个体都要通过从零开始的学习获取知识,而机器可以通过彼此互联实现知识共享。很多学者已经对人工智能将给人类造成的挑战担心不已。


  有专家认为,人机结合将把人类带入全新的领域。在机器人超越人类之前,人类会自行扩展所谓“人类的定义”,通过人机结合消弭人和机器人的对立,并获得新的进化。未来可能不再有人类的概念,每个“人”都是人机结合。人机结合不是新概念,英文叫cyborg(赛博格),指通过机器或外部设备增强人类自身功能即感知能力。


  当机器人能够像人类一样思考,像人类一样感受触摸,并在诸多方面优于人类时,似乎不由自主地会对这种技术变得谨慎,但对人类命运悲观的人也许可以从McCauley教授身上找到希望。McCauley在自己的左手植入一个胶囊芯片,除了定位,他还可以用手开家里的密码锁。其实植入芯片获得特殊用途的定位技术现在已经非常普及了。McCauley说植入芯片的过程就像打耳钉,他非常喜欢这个带给他生命的改变。


  在地球生物的进化历史里,人类从来都不是最强的生物,但我们肯定是最会利用外物适应环境的生物,能够利用工具曾被作为从动物进化为人的分界线。所以,当机器进化到一定阶段后,人类一定会优先利用机器改造自己,我们会像接受眼镜、义肢、助听器、手机和语音导航一样,接受钛合金制造物和人工智能程序对我们身体的改造,以增强人类的智能感知能力。或者,你也可以把人机结合跟过去人类不同种族的通婚相类比,通过吸纳融合,让自己适应机器人这个突然出现又野心勃勃的新物种。




  参考文献:

  [1] ZIB智伴科技的博客[EB/OL]. http://zhibankeji.blog.163.com/blog/static/26822408620170103345465/, 2017 - 1 - 10.

  [2] 韩崇昭. 随机系统理论(上、下册)[M]. 北京:清华大学出版社, 2014.

  [3] 百度百家. 《THE BIG TALK》活动走进美国硅谷[Z]. 中国网, 2015 - 01 - 31.

  韩崇昭(1943-)

  男,陕西省乾县人,教授,曾任西安交通大学电子与信息工程学院副院长,主要研究领域是随机控制与自适应控制、工业过程控制与优化、多传感信息融合以及决策理论与决策支持系统等。

  本文原刊载于《自动化博览 · 2017今日自动化技术应用在中国》文集

扫描二维码关注我们
关于辰创
新闻资讯
产品与服务
商业合作

020-89811016

cctd@gzcctd.com

© 2021 广州辰创科技发展有限公司 版权所有
电子侦察与对抗