關於智能仿生機器魚與謝廣明教授的一些交流

雷鋒網 AI 科技評論按：2018 年 6 月 29 日至 7 月 1 日全球人工智慧與機器人峰會（CCF-GAIR）在深圳召開，峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，得到了寶安區政府的大力指導，是國內人工智慧和機器人學術界、工業界及投資界三大領域的頂級交流盛會，旨在打造國內人工智慧領域最具實力的跨界交流合作平台。

CCF-GAIR 2018 延續前兩屆的「頂尖」陣容，提供 1 個主會場和 11 個專場（仿生機器人專場，機器人行業應用專場，計算機視覺專場，智能安全專場，金融科技專場，智能駕駛專場，NLP 專場，AI+專場，AI 晶元專場，IoT 專場，投資人專場）的豐富平台，意欲給三界參會者從產學研多個維度，呈現出更富前瞻性與落地性相結合的會議內容與現場體驗。

北京大學工學院謝廣明教授於仿生機器人專場做了第二場報告，題為「智能仿生機器魚」。謝廣明教授對自己目前的研究進行了簡單介紹。報告結束後，雷鋒網就相關問題對謝廣明教授進行採訪。以下為採訪內容，雷鋒網做了不改變原意的調整和編輯。

雷鋒網：請問仿生魚項目里的哪些方法需要用到機器學習？和傳統方法有什麼區別？

謝廣明：目前主要用在兩個部分，在控制方面，想要達到理想的控制效果並不容易，我們現在的方法是基於 CFD，也就是計算流體力學加強化學習，而不再採用傳統的建模加控制去做了，因為其實踐效果實在不好。現在我們首先是建立力學模型，然後在仿生環境下讓魚去學習運動。比如說設計一個貝塞爾曲線，然後讓魚按照這個曲線去游，通過強化學習讓魚學會這種遊動軌跡。

另外一方面是深度學習的應用。未來我們的仿生魚上感測器會越來越多，攝像頭、側線系統等會收集很多數據，我們希望使用深度學習從這些數據中獲取有價值的信息，比如環境信息。

至於與傳統方法的區別，我只能說這些技術都是工具，沒有哪個工具可以解決所有問題，我們會嘗試不同的方法，能解決當前問題就行，並未深入研究相關機器學習演算法。

雷鋒網：仿生目標選擇的標準是怎麼樣？現在這個項目有什麼具體的應用的場景嗎？

謝廣明：我們選擇仿生對象，之前可能偏純學術，現在是注重解決實際問題，堅持問題導向，應用導向。至於落地有面向企業的，民用的像河道監測，排查水下環境。在一些比較熱門的地點，比如說北戴河，很需要水下環境的安全，但使讓人去排查工作量太大，只能用機器魚去探測。另外就是檢測水質等等。還有就是面向個人的，放機器魚去水底拍照錄像等，娛樂也是應用的一部分。

雷鋒網：研究仿生機器人需要不需要生物學相關的知識？

謝廣明：首先我認為仿生機器人的研究就是「拿來主義」：新材料，新的能源供給方式，新的感測器，新的電機驅動，都集成到自己的機器上來提升機器的性能。

其次既然研究仿生機器人，必然會涉及生物學，但是並不一定要自己深入研究，可以查查文獻，找一找相關的資料，比如說魚到底怎麼感知環境的，你查一下就能獲取相關知識了。當然有合適的合作者更好，沒有合適的合作者就自己查資料，但沒必要深入研究，反正是為了解決實際問題，把那些研究「拿」過來用，解決了問題就可以了。

雷鋒網：水下探測器會有深度指標，仿生魚有這方面的要求嗎？

謝廣明：下潛深度是一個工程問題，工程問題的解決方案很多是很成熟的，其實就是加工精度的問題。之所以防水性能不好可能是加工精度低，也可能是拆卸有損傷才導致漏水等。這方面是工程技術問題，有成熟的解決方案。

雷鋒網：仿生魚的群體智能有哪些作用？有哪些難點？

謝廣明：比如就海洋目標搜索來說，單個機器魚的感知能力，運動能力都是很有限的，能量也有限，這就導致了單個機器魚搜索範圍很小。如果能讓機器魚擁有群體智能，那搜索目標就更加容易了。在群體中機器魚都是自主控制的，這種群體智能也叫分散式的智能，機器魚地位平等，通過局部相互影響保持群體性。在未知的搜索環境中，機器魚可以通過這種群體性（共享信息提高信息獲取能力）提高自主能力。

難點有很多，比如水下通信。單個機器魚只能獲取部分狀況，對於最新目標也不太清楚，如何讓信息在群體中快速傳播就是個問題。當然在通信的同時還要保證通信負載不能過大，要在通信受限的情況下保證群體的聯通等，目前的問題還很多。

雷鋒網：您接下來的研究方向？

謝廣明：我們接下來的研究方向是結合智能材料，因為我們發現光靠目前的手段去實現仿生機器魚已經到極限了，但是效果相較於真魚還差得很遠，我們現在正在研究使用軟體材料或者高分子材料，也希望能找到合作的研究者。

還有就是我們也借鑒了一些生物學家對於群體智能的研究成果，他們的研究更加深刻。他們觀察到魚群有一些簡單的規則，我們想把這些規則移植到機器魚上，我們希望仿生機器魚擁有「靈魂」。

比如說魚群的混亂有序，單條魚「自私」的自我保護卻不妨礙群體有序，這是個很有意思的現象，我們可以把這種規則移植到仿生魚上，看仿生魚還能不能正常協作，我們目前在嘗試這種深層次的仿生。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！