欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之哈佛的水上漂机器人。

哈佛大学约翰·保尔森工程与应用科学学院的HAMR（哈佛动态微型机器人）团队就研发了这样一个会水上漂的机器人。除了水上漂，它还可以自己潜入水底，潜水行走，也可以在没有水的地面上行走。
可以说，是个陆地/水面/水底三栖机器人了。
水上漂的体重只有1.6克，它的原型是水黾——漂浮在池塘水面上的昆虫。
水黾体型轻盈，借助水的表面张力，它的足部具有超强的疏水特性，可以让自己长期停留在水上，还能飞快的移动进行捕猎。
哈佛的这个水上漂机器人和水黾一样，也是依靠水的表面张力，让自己能漂浮在水上。
它长了4只“脚”，每只“脚”的上半部分是一块特殊的部件“电湿润垫”，可以通过调节电压改变自身的湿润性，能浮在水上，也能沉入水下。
而电湿润垫的下面，则是一对被动襟翼，它在机器人行走的前方闭合、后方张开，像划船的桨一样，推动机器人在水上前行。
当机器人在水上漂浮时，电湿润垫飘在水上，被动襟翼负责在水下“划桨”，于是，水上漂的功能就这样实现了。
除了水上漂之外，这个机器人还可以把自己沉入水底，来躲避水面上的漂浮物。
前面说过，这个机器人可以通过调节电压来控制湿润性，影响亲水/疏水特性。
所以，当这个机器人需要沉到水下时，只要改变电压，让它变得更加亲水，电湿润垫侧面竖起来的部分就会亲水，导致水面没过平放的部分，电湿润垫沉下去，整个机器人也随之沉下去，变为潜水的运动状态。
不过，在水下潜水工作时，为了避免短路，研究人员往机器人身上涂了聚对二甲苯，一种经常用作薄膜和涂层的绝缘材料。
其实，这台水上漂机器人已经是哈佛团队的第二代作品了。
在学会水上漂之前，这个机器人的“祖先”可以在陆地上行走，它体重2.8克，有两三个硬币那么长。
它以蟑螂为灵感设计，能以每秒钟10个自己身长的速度移动，换算成人类的话，大概秒速17米左右，几乎是在百米冲刺了。

这个祖先比水上漂有一点优势：不需要栓绳子，自己就可以在石板路上愉快的奔跑了。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之AI的体力跟得上脑力吗？

随着深度神经网络的持续改进和成长，面对日益增长的计算需求，相应的硬件创新也迫在眉睫。
深度学习是人工智能（AI）近期发展的前沿阵地。它涉及到灵感来源于生物神经网络的一系列机器学习算法，可用于在巨量数据中寻找某些模式。通过这些深度神经网络，诸如语音和视觉识别等领域得到了大幅发展；以它们为基础的计算机程序在一些特定任务中展示了超越人类的能力。
这一点在AlphaGo身上得到了淋漓尽致的展示。这个由伦敦DeepMind团队开发的程序，2016年3月在一场5回合的比赛中击败了围棋世界冠军李世乭shi，比分为4比1。现在， AlphaGo唯一的对手只剩下自身的改进版 。2017年10月，DeepMind团队发布了一款升级版本——AlphaGo Zero——它应用了强化学习，并且只通过自己和自己对弈进行训练。而AlphaGo的能力则建立在对人类专业棋手数百万步走法的非监督式学习。结果，AlphaGo Zero以100回合全胜的战绩战胜了击败过李世乭的AlphaGo。
深度神经网络涉及多层由数字化的‘神经突触’连接的‘神经元’。利用大量数据以及目标任务的正确答案进行训练后，神经元之间连接的强度或者说权重得到不断调整，直到最上层网络给出正确的结果。完成训练的网络配以训练中得到的连接权重再被应用到全新数据中——这一步被称为推断。
深度神经网络近期的成功既得益于算法和网络架构的进步，也得益于获取巨量数据变得日趋容易，以及高性能计算机持续发展。当前， 具备一流运算精度的深度神经网络的运算量相当大。代表了深度神经网络面临的新挑战，特别是当它们被应用于空间和电池容量有限的手机以及诸如智能传感器、穿戴设备等嵌入式产品。
来自美国圣母大学、加州大学洛杉矶分校和中国华中科技大学的研究团队考察了深度神经网络的精度和规模方面的数据，以及不同硬件平台的运算性能。他们指出，深度神经网络应用于设备端推断（在嵌入式平台端执行的推断）的迭代速度和CMOS技术的迭代速度存在差距——而且这个差距在增大。当深度神经网络变得更加精确，它们的尺度（层数、参数量、运算量）显著扩大。
 典型的硬件平台——图形处理单元（GPU）、现场可编程门阵列（FPGA）以及专用集成电路（ASIC）——其计算性能的提升跟不上前沿深度神经网络的设计需求。 类似的，承载这些网络的硬件平台的存储器功耗也跟不上网络尺度的增长。
CMOS技术的迭代对于日益增长的计算强度和功耗方面的需求并没有提供足够的支撑，因此需要在架构、电路和器件上加以创新。
一种方式是放弃传统的，即存储单元和计算单元物理上分离的冯·诺依曼计算架构，比如纳米级电阻式存储器（忆阻器件）能够即用于计算又用于存储。但器件的应变能力仍然是个问题，限制了运算所需精度。
综合利用电阻式存储器的内存内运算以及传统数字运算，或许能解决这个问题。这里的内存内运算单元，具体来说是一组相变存储器的二维阵列，它们承载主要的计算任务，而传统计算单元则迭代提升解算精度。
通过解算线性方程组，展示了上述被用于训练深度神经网络“混合精度内存内运算”方案的性能。
为AI应用开发专用器件和芯片的发展前景也已引起芯片初创公司的兴趣。今年早些时候，据《纽约时报》报道，目前至少有45家初创公司在开发此类芯片，而风险投资者去年在芯片初创公司中的投资超过15亿美元，几乎是两年前投资数额的两倍。
这种技术的潜力不可小觑，学术界和产业界的研究人员正在响应机器学习和AI对硬件提出的挑战——以及随之而来的机遇。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之2018德国机器人博览会的11款机器人。

1、电池嗅机器人：这个机器人通过丢弃的电子设备来检测电池。这很重要，因为废弃电池对环境有害，它还确保电池组件可以回收。这套系统使用标准的ABB机械臂，以及特殊的传感和抓取装置。
2、四足机器人：可携带各种传感器，重量可达其体重的50%。微型很像波士顿动力公司的“大狗”(Big Dog)机器人，这款高效节能的机器人能够承受巨大的冲击，在低速时具有高扭矩，非常适合户外应用。它的关键优势是模块化设计，可以通过各种传感器进行升级，使其成为检查和监视以及在灾难发生后执行搜救任务等。
3、机器人园丁：该系统使用带有特殊仿生抓手的机器人，巧妙地将植物分离开来。该系统使用两个摄像头，可以为未来的人工采收方案提供模型。
4、老年护理机器人：老年护理是目前最热门的机器人领域之一，这主要是因为缺乏太多合格的护理和服务提供者来照顾日益衰老的一代。这款老年护理机器人使用各种传感器，可以帮助识别各种可能难以诊断的潜在疾病。
5、高速运动摄像机器人：它可以让机器人“以一种精确而可靠的方式，以整个系统令人印象深刻的计算速度感知大量的刚性和可变形物体”。
6、动力不受限四足机器人：可以在崎岖的地形中奔跑、跳跃和行走，同时保持平衡，并在不稳定的情况下恢复平衡。该机器人将以电池驱动的液压系统接受重要更新，该系统将赋予机器人动力自主权，并允许它不受约束地运行。
7、协作机器人：协作机器人在零部件制造、食品加工和工业加工等行业越来越普遍。大多数所谓的协作机器人都使用了力传感器来快速探测意外碰撞，并改变方向，避免危及周围人类安全。这款最新的协作机器人，摒弃了力传感器，采用了一种创新的方法，即测量电动机的电流。在接触的瞬间，当机器人试图推过障碍物时，马达会发出尖峰声。通过以电流为指示灯，保证机器人在意外接触后不会继续前进。
8、上肢肌肉康复机器人：用于上肢神经肌肉康复，结合了虚拟现实和电刺激来指导病人在受伤后进行康复训练。
9、农用飞行机器人：通过并行操作几个飞行农用机器人使精准除草成为可能。这些无人机器人飞到空中，利用先进的机器视觉识别和定位杂草。这些信息可以用来制定除草策略，每年可以为农民节省数百小时的工作时间。这个系统将来可与自动除草工具整合起来，使人类农民完全脱离这个循环。
10、下水道检查机器人：这是一份肮脏的工作，为什么不让机器人来做呢？污水检测机器人是一种自动地面机器人原型，用于导航和检测城市污水系统。考虑到下水道是危险的、不受欢迎的工作场所，派个传感器丰富的机器人去检查基础设施绝对靠谱。
11、布线机器人：布线工作始终是专家的领域，尤其需要灵巧的手指。但是连接组件也是相当繁琐的工作。布线机器人能自动连接保护电气设备的开关柜，其自定义夹具必须足够灵活，以应付细规布线，并配有触觉传感器和三轴螺旋驱动支架。该系统由3D视觉引导，与人工相比，可以减少约40%的布线时间。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之AI可能编入合成生物分子电路。

从计算机初始发明以来，科学家们就在不断用复杂的发光二极管和微电路，挑战着人们对于智能的认知。但除了冰冷的机械部件，生物体内活跃着的分子，也能满足人们在计算机时代对智能的疯狂幻想。人工智能的触角，开始延伸到这片新大陆上。
来自加州理工学院的钱璐璐教授就是这些“冒险家”之一。曾经用核苷酸制造出 DNA 机器人的她，如今把目光转向了大热的机器学习领域。在 7 月 4 日的 《Nature》 上，她与其研究生  向我们展示了一个小小的试管中诞生的人工智能。
他们开发了一种名叫“Winner-Take-All”的由 DNA 制成的人工神经网络，并选用了机器学习界的经典问题——识别手写数字，作为其首战场。他们期望试管里的充满智慧的混合物，能帮助人类识别上万个潦草的数字。这项工作也是证明将 AI 编入合成生物分子电路的重要一步。
人工神经网络是一种受人类大脑启发的数学模型。尽管与生物的神经网络相比被大大简化，但人工神经网络仍然能够处理某些复杂信息。钱璐璐团队的工作目标就是使用DNA制造的人工神经网络来规划智能行为，包括计算、选择等其他能力。
人脑有超过800亿个神经元，它们可以进行非常复杂的决策。人类每个人的大脑中都有超过800亿个神经元，他们做出了非常复杂的决定。像蛔虫这样的生物可以使用几百个神经元，则可以做出更简单的决定。在这项工作中，我们设计并创造了一个小型神经网络，可以对分子信息进行更为复杂的分类。
具体而言，传统的神经网络会对图片的每个像素进行数字编码，一个编码对应像素的位置，另一个编码对应像素的“有”或“无”，这些编码被储存在计算机中等待运算。而在 DNA 神经网络中，它可以通过精准的化学反应计算识别“分子笔迹”。与视觉笔迹的几何图形不同，分子笔迹并不具有数字的形状，虚拟的数字变成了实在的分子——每个试管含中有 100 种不同的 DNA 分子，这 100 个分子代表着一幅 10*10 大小的图片，每个分子对应着像素的不同位置；而其中根据不同的图片会有 20 个特殊的 DNA“脱颖而出”，代表着该位置像素的“有”。通过这种方法，DNA 模拟了计算机对于像素的编码。
而钱璐璐之前制造的 DNA 机器人，则在模拟计算机的运算过程中派上了用场。其中的主角“入侵链”，是一个具有特定核苷酸序列的单链 DNA 分子；它会与另一双链 DNA 结合，迫使其断裂原有的氢键，释放出双螺旋的另一条链，该链叫做释放链。
其中，入侵链可以看作一个输入信号，而释放链则是输出信号；输入链在释放后，可以转化为入侵链，与不同的分子反应，最终分子之间形成了一个相互作用的网络，可以模拟复杂的“输入-输出”的运算功能。
“Winner-Take-All”神经网络，被认为能够对 MNIST 数据库中 98% 的手写数字进行正确分类识别。而在此之前，钱璐璐就做过类似的尝试。只是在过去的实验中，仅通过四种不同的 DNA 分子组成的识别模型，在图像的数量与复杂性上都大大受限；相比之下，新模型具有更强大的计算力，即可以大规模“扫荡”简单图形，又可以小范围识别复杂图像。
如果在 20 世纪，我们因为一个手掌大小的灰色金属仪器而震惊，那么在 21 世纪，我们是不是会看到一碗含有智能分子的“智慧汤”：通过在汤中加入特定的原材料，我们可以训练其执行不同的任务；在一个接一个的化学反应中，“智慧汤”不断学习进化，得出结论，并以分子化合物的形式储存，形成“记忆”。这就像你对着汤抛出一个问题，它想啊想，最终给你答案一样，无疑充满了科幻色彩。
这个幻想其实还很远，但科学家们期望的，也不仅是将这种智能分子机器作为一个计算机的替代品，即便它或许能做出更复杂的计算与决策，我们更想看到的是其生物属性里蕴涵着巨大的潜能。

常见的检测或许能够探查到一些生物分子的存在，例如胆固醇，或血糖，但利用更复杂的 DNA 神经网络，我们可以在人体中一次性的监测数百种生物分子，分析其含量并作出干预。比如，如果检测到血糖降低，可以立即释放适量的胰岛素使之恢复，而不需任何人工干预。
虽然科学家们刚刚开始探索在分子机器中创造人工智能，但其潜力已经不可否认。类似于计算机和智能手机使人类比一百年前更强大，人造分子机器可以制造所有由分子组成的物体，从而帮助人类更强大。
这项研究，则更多充当了概念证明的角色，开辟了使用“分子机器”探索人工智能的可能性。未来，这类神经网络将会高度专业化的用于生物环境下，为人类在疾病的防治探索新天地。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之电子皮肤为机器人提供触摸能力。

格拉斯哥大学的科学家们正在开发一种合成电子皮肤，可以使机器人手模仿人手的触感。
合成的电子皮肤，也被称为“brainy skin”，正在开发中，不仅可以为截肢者制作更具响应性的假肢，它也可以应用于机器人，使其具有模拟触摸能力。
电子皮肤还可以检测温度并模仿人体皮肤的某些特征，例如柔软性和可弯曲性。
电子皮肤是如何工作的？
合成的电子皮肤以与人类皮肤相似的方式起作用。当将人的手指压在物体上时，在接触点处有大量的接收器将信号发送到大脑。
领导该研究的教授说：“人体皮肤是一个非常复杂的系统，能够通过一系列神经传感器检测压力，温度和质地，这些神经传感器可以将信号从皮肤传递到大脑。”
在电子皮肤中模拟这个过程，由硅基印刷神经晶体管和石墨烯制成。
从皮肤上的传感器收集信息，并将物理刺激转换为频率。大的力对应于较高的频率，小的力对应于较低的频率。
信息通过放置在用户身体上的非侵入性贴片传递到身体。通过触觉传感生成的代码，将它们转换成振动。
例如，如果失去了手，那么肩部上的贴片会产生振动，从而复制机械手上施加的压力。称之为感官替代，基本上用振动取代了触觉。
至关重要的是，合成电子皮肤只发送要处理的部分数据。这确保了即使施加最小量的压力时，产生的大量感官信息也不会减慢反馈回路。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之机器人传感器的类型。

随着智能化的程度提高，机器人传感器应用越来越多。智能机器人主要有交互机器人、传感机器人和自主机器人3种。
从拟人功能出发，视觉、力觉、触觉最为重要，早已进入实用阶段，听觉也有较大进展，其它还有嗅觉、味觉、滑觉等，对应有多种传感器，所以机器人传感产业也形成了生产和科研力量。
内传感器
机器人是机电一体化的产品，内传感器和电机、轴等机械部件或机械结构如手臂（Arm）、手腕（Wrist）等安装在一起，完成位置、速度、力度的测量，实现伺服控制。
位置（位移）传感器
直线移动传感器有电位计式传感器和可调变压器两种。角位移传感器有电位计式、可调变压器（旋转变压器）及光电编码器三种，其中光电编码器有增量式编 码器和绝对式编码器。
增量式编码器一般用于零位不确定的位置伺服控制，绝对式编码器能够得到对应于编码器初始锁定位置的驱动轴瞬时角度值，当设备受到压力 时，只要读出每个关节编码器的读数，就能够对伺服控制的给定值进行调整，以防止机器人启动时产生过剧烈的运动。
速度和加速度传感器
速度传感器有测量平移和旋转运动速度两种，但大多数情况下，只限于测量旋转速度。利用位移的导数，特别是光电方法让光照射旋转圆盘，检测出旋转频率 和脉冲数目，以求出旋转角度， 及利用圆盘制成有缝隙，通过二个光电二极管辨别出角速度，即转速，这就是光电脉冲式转速传感器。此外还有测速发电机用于测速等。
应变仪即伸缩测量仪，也是一种应力传感器，用于加速度测量。加速度传感器用于测量工业机器人的动态控制信号。一般有由速度测量进行推演、已知质量物体加速度所产生动力，即应用应变仪测量此力进行推演。
力觉传感器
力觉传感器用于测量两物体之间作用力的三个分量和力矩的三个分量。机器人中理想的传感器是粘接在依从部件的半导体应力计。具体有金属电阻型力觉传感器、半导体型力觉传感器、其它磁性压力式和利用弦振动原理制作的力觉传感器。
转矩传感器（如用光电传感器测量转矩）、腕力传感器（如国际斯坦福研究所的由6个小型差动变压器组成，能测量作用于腕部X、Y和Z三个方向的动力及各轴动转矩）等。
由于机器人发展历史较长，近年来普遍采用以交流永磁电动机为主的交流伺服系统，对应位置、速度等传感器大量应用的是：各种类型的光电编码器、磁编码器和旋转变压器。
外传感器
以往一般工业机器人是没有外部感觉能力的，而新一代机器人如多关节机器人，特别是移动机器人、智能机器人则要求具有校正能力和反应环境变化的能力，外传感器就是实现这些能力的。
触觉传感器
微型开关是接触传感器最常用型式，另有隔离式双态接触传感器（即双稳态开关半导体电路）、单模拟量传感器、矩阵传感器（压电元件的矩阵传感器、人工皮肤——变电导聚合物、光反射触觉传感器等）。
应力传感器
如多关节机器人进行动作时需要知道实际存在的接触、接触点的位置（定位）、接触的特性即估计受到的力（表征）这三个条件，所以用上节已指出的应变 仪，结合具体应力检测的基本假设，如求出工作台面与物体间的作用力，具体有对环境装设传感器、对机器人腕部装设测试仪器用传动装置作为传感器等方法。
接近度传感器
由于机器人的运动速度提高及对物体装卸可能引起损坏等原因需要知道物体在机器人工作场地内存在位置的先验信息以及适当的轨迹规划，所以有必要应用测量接近度的遥感方法。接近传感器分为无源传感器和有源传感器，所以除自然信号源外，还可能需要人工信号的发送器和接收器。
超声波接近度传感器用于检测物体的存在和测量距离。它不能用于测量小于30~50cm的距离，而测距范围较大，它可用在移动机器人上，也可用于大型机器人的夹手上。还可做成超声导航系统。
红外线接近度传感器，其体积很小，只有几立方厘米大，可以安装在机器人夹手上。
声觉传感器
用于感受和解释在气体（非接触感受）、液体或固体（接触感受）中的声波。声波传感器复杂程度可以从简单的声波存在检测到复杂的声波频率分析， 直到对连续自然语言中单独语音和词汇的辨别。
接触式或非接触式温度传感器
近年在机器人中应用较广，除常用的热电阻（热敏电阻）、热电偶等外，热电电视摄像机测及感觉温度图像方面也取得进展。
滑觉传感器
用于检测物体的滑动。当要求机器人抓住特性未知的物体时，必须确定最适当的握力值，所以要求检测出握力不够时所产生的物体滑动信号。
目前有利用光学系统的滑觉传感器和利用晶体接收器的滑觉传感器，后者的检测灵敏度与滑动方向无关。
距离传感器
用于智能移动机器人的距离传感器有：激光测距仪（兼可测角）、声纳传感器等，近几年得到发展。
视觉传感器
这是应用很广泛的外传感器，顾名思义就是帮助机器人看见外界，机器视觉经常独立形成产品。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之美军研发无人机通用控制器，单兵可控制无人机群。

据报道，美军正在研发，尝试让单兵具备控制成群的空中和地面机器人系统的能力，而这些任务往往需要大量官兵才能完成。
多年来美国陆军一直在使用小型地面机器人和无人机系统，但规模很小。
为真正从机器人系统中获取极大好处，必须打破士兵与机器人的一对一联系，因为现在一套机器人系统通常需要一名操作员，一对一联系是非常有效的，但当一名士兵可控制几十套机器人系统时，就有了极大的优势。
只需“动用较少的人力和大量机器人系统”，一名士兵就可以对“大片地区进行侦察”。
特别在人口密集的城市等环境条件中，这显得尤为重要。城市环境条件的问题在于复杂的作战环境会让士兵精疲力尽……视线有限、大量隧道和建筑物——所有这些障碍都需要克服和控制。
如果能够用机器人系统来扩大这种侦察规模，就会产生显著的效果。
当网络受到敌方活动以及自然障碍的影响时，这一理念可加以运用，可以增强通信战场的反击力度。
如果通信基础设施受到挑战，士兵如何能在特定区域迅速且有效地使用空中和地面的机器人系统重建这一网络？
能力开发与整合事务局官员正在开发一种能控制空中和地面机器人系统的通用控制器，目前测评结果已非常接近目标；根据2017年做的评估，结果证明大约3种不同版本的控制器能有效控制空中和地面机器人系统。这样做的好处是士兵只需要学习使用一套系统，而非每套机器人系统都单独设有控制器。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之MIT治疗自闭症的机器人学习方式。

患有自闭症的儿童，往往难以识别周围人的情绪状态。例如，区分快乐的脸和恐惧的脸。为了解决这个问题，一些治疗师使用适合孩子的机器人来演示这些情绪，并让孩子们模仿，然后以适当的方式对机器人演示的情绪做出反应。
然而，如果机器人在治疗过程中，能流畅地解释孩子的行为——无论TA是感兴趣、兴奋还是专心——那么这种疗法效果才是最好的。
麻省理工学院媒体实验室的研究人员，现在研发出一种个性化的机器学习方式，使用每个孩子独有的数据，可以帮助机器人评估每个孩子在这些互动过程中的参与度和兴趣。
6月27日，科学家们在《科学机器人》杂志上发表报告称，这个个性化的“深度学习”网络，使机器人对孩子反应的感知，与人类专家的评估结果达到了60%的相同率。
对于人类观察者来说，要让孩子的参与意愿和行为达成高度一致是很有挑战性的。普通的机器人（非个性化的）与人类专家的评估结果通常有50%到55%相同。研究者认为，经过人类观察训练的机器人，总有一天可以和人类专家所提供的评估结果更一致。
长远的目标不是创造机器人来代替人类治疗师，而是增加他们的关键信息。治疗师可以使用这些信息，来制订个性化治疗内容，也可以让机器人和自闭症儿童之间，产生更具吸引力的、更自然的互动。
开发针对自闭症的机器学习和人工智能应用尤其令人烦恼，因为一般的人工智能方法需要大量的数据，这些数据都是可以归于一类的。而在异质性占主导地位的自闭症中，一般的人工智能方法就会失败，因为数据缺少共性。

自闭症机器人的辅助疗法通常是这样运作的:一个人类治疗师展示一张纸质儿童照片，或一张电子照片，用来代表不同的情绪，教孩子如何识别恐惧、悲伤或快乐。然后治疗师对机器人进行编程，向孩子们展示同样的情绪，观察孩子与机器人之间的互动。孩子的行为会为机器人提供宝贵的反馈，机器人和治疗师则需要用此反馈，继续学习。
在这项研究中，研究人员使用了软银公司生产的人形机器人NAO。NAO大概有2英尺高，类似于装甲超人型的机器人，通过改变眼睛的颜色、四肢的动作和声音的音调，来传达不同的情绪。
参与这项研究的35名自闭症儿童，年龄从3岁到13岁不等，其中17名来自日本，18名来自塞尔维亚。在35分钟的实验中，他们对机器人的反应各不相同。在测试中，每个孩子的整体表现也不一样。他们有的时候看起来很无聊、昏昏欲睡，有的时候则兴奋地在房间里跳来跳去，拍手、大笑或触摸机器人。
在研究中，大多数的孩子对这款机器人的反应是，“它跟其他的机器人不一样，不仅仅是一个玩具，更像一个人，这大概与NAO的外形有关。”
一名4岁的小女孩一开始在参与治疗时躲在妈妈身后，但之后她对机器人的接受程度大大提高，治疗结束后她笑了起来。其中一个塞尔维亚孩子的姐姐拥抱了NAO，说:“机器人，我爱你!”在治疗结束时，她说她很高兴看到弟弟有多喜欢玩这个机器人。
治疗师说，让孩子接触自己几秒钟，都是一个很大的挑战，而机器人会吸引孩子的注意力。
他还解释了为什么机器人在这种类型的治疗中是有用的：“人类用许多不同的方式改变他们的表情，但机器人总是以同样的方式来做，孩子们却不会感觉单调，因为他们是严格按着机器人教的步骤，来学习如何表达自己表情的。”
麻省理工学院的研究小组，意识到一种叫深度学习的机器学习算法，可以用于治疗机器人，使其更自然地感知孩子的行为。深度学习系统使用分层的、多层的数据处理，来改进机器人的任务，每个连续的层都比上一层的原始数据要稍微抽象一些。
尽管深度学习的概念自20世纪80年代就已经出现，但直到最近，才有足够的计算能力来实现。深度学习已经在自动语音和对象识别程序中得到应用，这使得它非常适合解决这样的问题，比如，理解人脸、身体和声音的多重特征，从而理解更加抽象的概念，比如，应用在这种对儿童自闭症的治疗上。
举例来说，在面部表情的识别上，最重要的是脸部的哪些部位的变化，决定了儿童的参与程度，深度学习允许机器人直接从数据中提取最重要的信息，而不需要使用经过人类分析处理过的信息。
对于治疗机器人，该团队建立了一个个性化的框架，可以从收集到的每个孩子的数据中学习。研究人员从孩子手腕上的监视器上，获取了每个孩子的面部表情、头部和身体动作、姿势和手势、音频记录和心率、体温和皮肤出汗反应的数据。
这些机器人的个性化深度学习网络，是由许多元素组成的，包括视频、音频和生理数据、关于孩子自闭症的诊断和个人能力的信息、以及他们的文化背景和性别。
然后，研究人员将他们对孩子行为的估计，与五名人类专家的估计进行了比较。这五名人类专家对孩子的视频和音频录音进行了综合的分析处理，以确定孩子在这段时间里是高兴还是难过，有多感兴趣，有多投入。
对这些由人类编码的个性化数据进行训练，并拿训练或调整模型未使用的数据进行测试，神经网络显著地改进了机器人对儿童行为的自动估计。研究人员发现，个性化的机器学习要好于把所有孩子的数据都 “综合在一起”式的应用方法。

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之无人工厂。

1、最有名当属特斯拉的生产车间。
特斯拉的这个工厂，号称全球最智能的全自动化生产车间，共有冲压生产线、车身中心、烤漆中心与组装中心四大制造环节。
从原材料加工到成品组装，所有的生产流程都由150台机器人完成，在车间内根本看不到人的身影。
机器人都由电脑控制，按照设定好的程序运作，机器人与机器人之间流水化运营，实现无缝对接。
组装中心，全部是机器人；每一个机器人可以完成多种动作：喷漆烤漆、安装挡风玻璃、安装座椅，6秒钟完成一个发动机盖的冲压。
这还不算，特斯拉在美国内华达州的荒漠里建一个更大的汽车工厂，2017年底投入使用，这更大地增加特斯拉的生产效率，而且自动化程度会更高！
其实，不仅仅是特斯拉，很多传统意义上需要大量人力的行业，已经开始逐步引入机器人，不仅成本大大降低，而且效率也大幅提高了。
2、亚马逊AGV机器人矩阵
在亚马逊的仓库里，货物的取送、分拣都是由AGV机器人矩阵完成，这一系统比传统物流作业提升2-4倍。
这个桔黄色的小机器人，每小时可跑30英里，准确率达99.99%，过去人工需要耗时1小时的货物提取工作，它15分钟就能完成。
3、阿里机械臂拣选系统
这个系统根据中国电商特性专门开发，由中间的大手臂和周边一圈箱子构成。
大手臂可以360度运行，根据需求取高处、低处的货物，并把箱子放在流水线上。
流水线两边有很多吸盘机器人，通过真空吸盘，把周转箱内的商品吸到快递包装箱里，快递箱通过流水线，会自己走向打包区域，贴上面单后就可以发货了。整一个流程，根本不需要任何人参与。
4、青岛无人码头
今年5月11日，亚洲首个全自动化码头在青岛港启用。
船舶还没停靠，全自动码头就根据船舶信息，自动生成作业计划，并下达指令。
先是船吊把集装箱吊到转运平台上。接着机器人自动拆锁垫。然后，门架小车会把集装箱吊运到自动导引车上，自动导引车再把集装箱运送到指定位置。
这种无人驾驶的导引车，在整个码头共有30多辆不停来回穿梭，加上集装箱可达70吨，但由于停启位置精确，停车误差不会超过2厘米，所以不会发生碰撞或摩擦。
最后，轨道吊把集装箱精准地吊送到堆场。
整个过程完全由机器人自动完成，工作人员节省70%，工作效率提升30% ，是世界上自动化程度最高、装卸效率最快的码头！
5、东莞无人工厂
就连被不少人视为“打工天堂”的东莞，也建起了无人工厂！
日前，东莞首家无人工厂在长安镇诞生，工厂里有60台机器日夜无休地打磨一个个手机中框结构件。
它们被分成10条生产线，每条生产线由一条自动传送带上下料，这个过程不再需要任何人力，每条线只有3名工人负责看线和检查。
以前这家工厂需要650名员工，现在生产同样数量的产品，只需要60人，这意味着，将近90%的人不需要在这里上班了...
而且，根据东莞市长透露，政府每年会投入2亿元鼓励企业用机器替代人。
在不久，东莞还会有2个无人工厂投入运营，申请的机器人换人项目达530个，全部投产后将减少用工约3.6万人。
有了新的科技，就会有新的工作，同样需要人去完成。
但关键在于，科技进步了，你也要跟着进步，时代不会停下脚步等你，能在人工智能的夹击下屹立不倒的，都是那些有毅力、有意愿改变自己，咬着牙也要跟上时代步伐的人。
这世界，从不辜负努力创新的人！

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。

丽莎老师讲机器人之创新技术将颠覆对未来食品的想象。

人类自诞生以来，就一直在解决两个根本性的问题：吃什么，怎么吃。
于是，从茹毛饮血，到刀耕火种，再到大规模种植与工厂化畜牧，我们的农业与食品体系已经发生了翻天覆地的变革。
但是，变革不会终止。随着人口的不断增长、环境的日益破坏，以及消费习惯的改变等诸多因素的共同作用，人类继续在反思：在未来，应该吃什么？应该怎么吃？
可以肯定的是：在未来，食品的生产与供应方式将与我们当前的认知截然不同。当各种新兴技术得以应用，我们将看到“后动物生物经济”的出现。
这也将是一个3D打印、机器人、人造肉、人工智能、区块链、垂直农场、个性化营养和细胞农业等技术大行其道的时代，甚至会对现行的传统农业和畜牧业产生消亡式的替代。不管怎样，未来的食品技术一定不会是现在的面貌。
1.3D打印将改变食物加工方式

随着3D打印技术的快速发展，食品3D打印成为一些初创公司和科研机构的研发方向。
尽管我们已经可以3D打印饼干、巧克力、披萨等食品，但3D打印食品还处于早期发展阶段，设备价格、打印原材料、打印速度、食品种类等因素都制约着3D打印食品技术的发展。
一旦3D打印技术得到完善，该技术将为食品在未来的形状、质地、成分以及最终的口味提供无限的可能性，我们也将可以根据自己的具体需求和口味定制菜肴。
荷兰研究机构TNO在过去几年内一直在研究3D打印食品和药物。TNO认为这项技术将受到食品生产商、零售商和消费者的欢迎。但这是否会与机器人厨师产生竞争，只能靠时间来证明了。
此外，3D打印将大大减少“传统”烹饪产生的时间和食材浪费，并可用于推广健康的高科技食品，并彻底重新定义我们如何制作“食谱”。
2.机器人厨师将改变现有的烹饪方式
机器人技术是另一项有望引发厨房革命的技术。
2015年，美国某机器人公司开发了世界上第一个机器人厨房和机器人厨师，由两个可以自由移动的机械手臂组成。该机器人可以模仿人类双手的动作，可抓住食材、调味品、灶具、餐具等物品，从而进行食材处理、烹饪、装盘等工序。
该公司的革命性机器人厨房不仅仅只是自动化烹饪，同时也是一个食谱图书馆，收集世界各地著名厨师的美食食谱，包括配料清单、流程说明、还包括厨师完整而准确的动作视频，完全按照这些大厨的烹饪流程来制作食物。
用户可以通过APP远程访问机器人厨房，并确定菜谱。用户到家后，即可享受美味的晚餐。
目前，该技术价格不菲，每个机器人厨房需要花费1.5万美元。从长远来看，随着机器人技术的发展，价格会大幅下降。
3.HPP技术可将食品保质期延长10倍
如何延长保质期而不影响食品的口味和质量是食品生产商关心的主要问题之一。
熏制、风干、腌制（盐、糖）、发酵等技术是我们自古以来延续至今还在使用的食物保存的方法。
19世纪后，化学和微生物技术的发展为食品储存提供了新的方法，并彻底改变了食品加工、包装和运输的方式。
超高压处理技术是当前一种非常有潜力的冷灭菌技术，通过将密封包装的食品放入液体介质中，在高压环境（300-600MPa）中静置一段时间，达到杀菌的目的。
HPP技术的工作原理就是高压会使细菌蛋白质变性、凝固。在300-600 MPa的高压环境下，可以杀死果汁中几乎所有的细菌、霉菌和酵母菌。
由于不需要热处理、辐射和化学防腐剂，HPP技术的高压和低温环境能够保持食品原有的口感和营养特性，并在整个保质期内保持最初的新鲜度。
在不久的将来，HPP技术可以将食品的保质期延长10倍，这将极大地减少食品浪费。
4.自动化机械将替代成千上万的工人
随着自动化机械和人工智能技术引入食品生产领域，工厂对人类员工的需求已经越来越少了。
荷兰某科技公司专门从事农产品领域机器人和机器视觉系统的开发、生产、安装和服务。
该公司研发的创新食品加工系统，利用机器视觉技术，可以高效且精准地对肉鸡（及其他动物）的形状、尺寸、颜色和其他特性进行分级和分类。该系统可在一小时内处理超过12,000只鸡，大大提高了食品加工效率。
系统使用相机系统和软件来检测食品样品上的一系列变化，还会记录产品轮廓偏差，例如异常颜色、断裂的翅膀或缺少的部分等，甚至可以随着时间的推移，实现自我学习和进化。
该公司还设计了其他类似的系统，以极高的速度对兰花、盆栽植物和其他幼苗进行分级。
这些自动化设备由于具有更高的准确性，并且可以在不需要休息的情况下不知疲倦地工作，可以完全取代人类员工。
5.人造肉将替代传统畜牧业
目前，科技公司已经可以在实验室内培育肉类：通过从健康的牲畜身上提取干细胞，并在实验室内进行培育。
这种肉有多种名称，“人造肉”、“清洁肉”、“试管肉”等，而这种技术可以使肉类生产成为可持续工程的一种新形式。
人造肉可以大大降低大型畜牧业对环境的影响。据估算，如果该技术大规模普及，温室气体的排放，特别是甲烷，将会减少96%。
美国某初创公司是人造肉领域的代表之一。公司表示2018年，其人造肉产品将出现在美国和亚洲国家的各大餐厅，第一批人造肉产品包括鸡块、香肠和鹅肝。
与传统的畜牧业相比，目前人造肉的价格还很昂贵，生产450克牛肉，大约花费2400美元。随着技术的成熟和效率的提高，这些成本将会大幅下降。
6.昆虫蛋白将替代畜牧业的动物蛋白
在很多国家，昆虫是居民日常饮食中蛋白质的重要来源。昆虫含有约60％的蛋白质、丰富的维生素B12、比牛奶还多的钙，以及比菠菜更多的铁，可以为身体提供所有必需的氨基酸。
另外，与传统畜牧业相比，昆虫养殖需要的空间、水和排放的温室气体也更少。据测算，455升水只能产生6克牛肉，却能生产72克蟋蟀。
目前很多科技初创公司也将目光瞄准了昆虫蛋白。例如，成立于2014年的美国某食品科技公司，已经向市场推出了添加蟋蟀蛋白粉的蛋白质能量棒产品。
公司目前销售的蟋蟀蛋白棒有四种口味：可可味、花生酱果冻味、苹果肉桂味和蓝莓香草味。这种不含麸质的蛋白棒每条售价3美元。
未来，新兴的昆虫蛋白行业将吸引更多的农民、厨师和创业者，昆虫蛋白可能会像牛肉一样受到欢迎。
7.植物蛋白是蛋白质供应的未来
虽然猪、牛、羊、蛋和鱼等是很好的蛋白质来源，但是存在脂肪含量高、环境污染大等问题，而植物性蛋白质的影响则小得多。
但植物蛋白也有很多缺点，植物蛋白并不能提供人体需要的某些氨基酸，并且往往缺乏维生素B12。不过，这些都可以通过其它方式进行补充。
许多美国初创公司利用大豆、小麦、土豆等为原材料，并添加植物血红素等物质，按特定比例合成出人造肉，其视觉效果和口感与真正的肉类相差无几。
这些植物基人造肉公司也获得了风险资本的关注，比尔·盖茨、理查德·布兰森、李嘉诚、谷歌公司，以及嘉吉、泰森食品等食品巨头都对该领域进行了投资。
8.细胞牛奶与细胞农业
细胞农业是近年来兴起的一种新技术，是建立在细胞培养之上的农业生产手段，而不是像传统农场那样的大规模生产方式。
细胞农业产品在外观上与从动物收获的食物基本相同，但生产方式大不相同。
例如，美国某初创科技公司就是利用细胞技术制造出由“细胞”生产的牛奶，且口味和真实牛奶相差无几。
基于基因技术，该公司将特定的DNA基因片段植入酵母细胞，重组后的酵母细胞就可以产生牛奶中的相关蛋白质。
通过在大型发酵罐中营养液的培育，酵母细胞进行发酵并通过新陈代谢生成大量代谢产物——牛乳蛋白质等，进而通过技术手段将这些蛋白质分离出来，加入矿物质、水、植物脂肪等成分，最终形成“细胞牛奶”。
9.垂直农场的崛起
随着越来越多的人进入城市，土地将成为人类居住空间和农业生产的争夺焦点。垂直农场可能是大规模农业的未来。
垂直农场的概念并不新鲜，很久之前，就有人提出屋顶花园将会升级为农业的未来的观点。
在过去十多年里，全球已经建立起很多垂直农场。例如，韩国、日本、新加坡、美国都在旧工业建筑的基础上建立起垂直农场，日本已经拥有50多个大型垂直农场。
这些农场通常采用两种方法：水培法（植物在富含营养素的水中生长）或气雾栽培（利用喷雾装置将营养液雾化，喷射到植物祼露根部）。
相比传统农业，垂直农场占地将会最小化，可实现全年耕作，而且将淘汰各种农药或化学品。
10.区块链推动农业供应链变革
作为一个分布式的公共账本系统，区块链有可能使农业供应链中的每一笔交易都具有透明度、可追溯性、可验证性、并且无需第三方监督。
在过去，因为食品供应链问题导致的麻烦太多太多，例如去年美国爆发的沙门氏菌感染事件，政府经过几个月的调查，才最终确定污染源来自从墨西哥进口的木瓜。再如，2013年欧洲市场利用马肉充当牛肉的丑闻。
如果采用区块链系统记录和追踪整个食品供应链中的交易情况，上述问题就可以轻松解决。
区块链的可追溯性，可以在食品问题大规模爆发之前迅速解决，特别是对于主要污染源的排查,就像排查单一供应商一样简单。
据福布斯报道，使用区块链系统可以在2秒内追踪特定食品的准确农场供应商，而使用传统的方法通常需要6天才能完成。
目前沃尔玛、雀巢和联合利华等食品巨头已经与IBM合作将区块链应用于其食品供应链追踪和溯源。
11.基于基因研究的个性化营养
个性化营养是指根据个人基因构成，确定人体对不同食物产生的反应，来定制个性化饮食的概念。
这一概念并不新鲜，有些公司已经开始为用户提供个性化饮食服务。但对于普通大众来说，营养基因组学还处在起步阶段，大规模普及还是件很遥远的事情。
目前，例如英国基因检测公司、加拿大生物科技公司和美国食品电商公司等初创企业都在为用户提供基于个人DNA分析的定制化、个性化饮食服务。
研究人员一直在研究一些人的独特基因组成以及他们对某些食物异于他人的反应。例如，有些人比其他人能够更有效地吸收某些必需营养素。
一旦该领域的研究和技术有所突破，那么人类将从当前食品供应“一刀切”的状态，向真正的个人量身打造的饮食方向转变。