是運用到下面這些技術的：

1感知與學習（Perception and Learning）

上圖是： 1990-2016年感知與學習研究趨勢

對於感知與學習的研究是從1990年開始的，Manuela M.Veloso、Minoru Asada、Marco Dorigo、Cynthia Breazeal等學者奠定了該研究的發展。目前，後起之秀Darwin G.Caldwell教授積極投入相關領域的研究。

智慧機器人感知與學習技術是目前機器人領域研究的熱點，旨在充分利用人工智慧現有的成果，把人工智慧的現有成果和機器人有機的結合，從環境感知、知識獲取與推理、自主認知和學習等角度開展機器人智慧發育的研究，使機器人透過不斷的學習和自身積累，能夠自我提升。

感知是機器人與人、機器人與環境、以及機器人之間進行互動的基礎。簡單地定義“感知”即對周圍動態環境的意識。對感知的研究主要有以下目的：首先是對機器人地圖構建功能的補充，對環境的重新構建，以滿足實時更新所處位置地理資訊的需要；其次是幫助智慧機器人對周遭物體進行探測、識別和追蹤，以做到能夠對日常小型物體近乎完美的區分；最後是使機器人能夠觀察人類、理解人類行動，最終達到機器人能夠與人類友好共存的條件。從以上標準可以看出，感知技術作為不可或缺的一部分，與智慧機器人的地圖構建、運動等功能實現都息息相關。具體來講，機器人的感知通常需要藉助各種感測器的幫助來代替人類的感覺，如視覺、觸覺、聽覺以及動感等。

從感知向認知的跨越一度是區分“第二代”機器人與“第三代”機器人的鴻溝，而認知機器人的定義中最核心之處就在於學習行為的出現。作為機器學習和機器人學的交叉領域，機器人的學習將允許機器人透過學習演算法獲取新技能或適應其環境的技術。透過學習，機器人可能展示的技能包括運動技能、互動技能以及語言技能等；而這種學習既可以透過自主自我探索實現，也可以透過人類老師的指導來實現。隨著人工智慧的快速發展，機器人學習的進步也是日新月異。其中，美國加州伯克利大學的人工智慧團隊一直處於研究前沿。2018年4月11日，伯克利人工智慧研究院釋出一篇文章，提出一個強化學習框架並基於此打造出一款可以自學功夫的虛擬機器器人，目前已有相對研究成果。這說明機器人學習技術在未來不僅能夠融入人們的現實生活，還將可能在虛擬遊戲世界中大放異彩。

2 規劃與決策（Planning and Decision）

上圖是： 1992-2016年路徑規劃研究趨勢

路徑規劃從1990年開始發展，自2005年起進入發展的高速期，大量的學者以極大的熱情投入該領域的研究，主要有Howie Choset、Manuela M.Veloso、Sebastian Thrun等人。其中，Howie Choset教授至今仍致力於路徑規劃領域的研究，並創造出歷史性的成果。

而路徑規劃僅僅是機器人學中規劃與決策技術之下的一個分支。事實上，規劃與決策技術對於機器人系統中自主性的實現至關重要。換句話說，這兩項要素是決定機器人在無人操控的狀態下透過演算法得出滿足特定約束條件的最優決策能否成功的關鍵。儘管這類技術最常見的用武之地在於無人駕駛汽車的導航問題以及自主飛行器或航海探測器的線路規劃問題，但其實它的影響更為廣泛，從路徑規劃到運動規劃，再到任務規劃都離不開這一技術的作用；而這類技術的應用範圍也不止探測器或智慧汽車，它還可以應用在人形機器人、移動操作平臺甚至多機器人系統等處，在數字動畫角色模擬、人工智慧電子遊戲、建築設計、機器人手術以及生物分子研究中都能夠發揮作用。具體來說，目前實現規劃與決策仍然主要依靠應用演算法，其中著名的理論包括人工勢場法等。近兩年，來自瑞典皇家理工學院的機器人學研究團隊提出了新的觀點：運用形式化驗證將機器人的行為樹模型化，由此能夠在實現規劃和決策的過程中獲得兩大優勢：首先它能夠以一種使用者友好卻謹慎細緻的方式捕捉到複雜的機器人任務資訊，其次它還能夠為機器人決策的正確性提供可證實的保證。

3 動力學與控制（Dynamics and Control）

上圖是 1990-2016年動力學與控制研究趨勢

機器人動力學是對機器人結構的力和運動之間關係與平衡進行研究的學科，主要透過分析機器人的動力學特性來建造模型、研究演算法以決定機器人處理對物體的動態響應方式。而機器人控制技術，指的是為使機器人完成各種任務和動作所執行的各種控制手段，既包括各種硬體系統，又包括各種軟體系統。

自20世紀70年代以來，隨著電子技術與計算機科學的發展，計算機運算能力大大提高而成本不斷下降，這就使得人們越來越重視發展各種考慮機器人動力學模型的計算機實時控制方案，以充分發揮出為完成複雜任務而設計得日益精密從而也越加昂貴的機器人機械結構的潛力。因此，在機器人研究中，控制系統的設計已顯得越來越重要，成為提高機器人效能的關鍵因素。

最早的機器人採用順序控制方式，而隨著計算機的發展，現已透過計算機系統來實現機電裝置的功能，並採用示教再現的控制方式。目前機器人控制技術的發展越來越智慧化，離線程式設計、任務級語言、多感測器資訊融合、智慧行為控制等新技術都可以應用到機器人控制中來。作為影響機器人效能的關鍵部分，機器人控制系統在一定程度上制約著機器人技術的發展。然而傳統的機器人控制系統存在結構封閉、功能固定、系統柔性差、可重構性差、缺乏執行時再配置機制、元件的開發和整合限制在某種語言上等問題。如今出現了各種基於網路、PC、人臉識別、實時控制等技術的機器人控制系統，精度高、功能全、穩定性好，並逐漸向標準化、模組化、智慧化方向發展。

智慧化的控制系統為提高機器人的學習能力也奠定了基礎。2016年，伯克利大學的人工智慧團隊利用深度學習和強化學習策略向控制軟體提供即時視覺和感測反饋，使一個名為BRETT（Berkeley Robot for the Elimination of Tedious Tasks的縮寫）的機器人成功透過學習來提升自己的家務技能。這種人工智慧與機器人學交叉運用的結果使得機器人能夠將一個任務中獲得的經驗推廣到另一個任務中，從而提高機器人的學習能力，使其能夠掌握更多技能。

4 人機互動（Interaction）

上圖是：1992-2016年人機交互發展趨勢

人機互動技術大致可以分為四個階段：基本互動、圖形式互動、語音式互動和感應式互動（體感互動）。基本互動仍然停留在最原始的狀態，人與機器的關係僅僅是人工手動輸入與機器輸出的互動狀態，比如早期的按鈕式電話、打字機與鍵盤；圖形互動時期是隨著電腦的出現而開始的，以顯示屏、滑鼠問世為標誌，在觸屏技術成熟期達到巔峰；語音互動最開始是單向的，即語音識別，如科大訊飛的語音識別系統，後來微軟的Cortana、小冰，蘋果的Siri以及Google公司的Google Now突破了單向互動的壁壘，實現了人機雙向語音對話；最後，隨著當前機器人的發展越來越強調互動形式的智慧化，體感互動將成為未來交互發展的新方向。體感互動是直接從人的姿勢的識別來完成人於機器的互動，主要是透過攝像系統模擬建立三維的世界，同時感應出人與裝置之間的距離與物體的大小。目前，索尼發明的觸控型投影儀已經實現了體感互動。未來，這種互動方式將成為先前各種技術的結合，包括即時動態捕捉、影象識別、語音識別、VR等技術，最終衍生出多樣化的互動形式，而機器人有望在未來成為體感互動的載體。

word版下載：https://static.aminer.cn/misc/article/rb.pdf

PDF版下載：https://static.aminer.cn/misc/article/rb-p.pdf

報告內容速覽：

概述篇：智慧機器人的起源和發展/機器人發展相關政策

人才篇：智慧機器人研究學者全球分佈/國際學者/國內學者

技術篇：感知與學習/規劃與決策/動力學與控制/人機互動

感測器技術：視覺/觸覺/聽覺/鐳射雷達

應用篇：無人駕駛/室內服務/物流運輸/極端環境/軍事應用

比賽篇：機器人世界盃/國際智慧智慧機器人與系統大會/機器人大賽

趨勢篇：機器人與AI交叉研究/中國智慧機器人發展的前景展望

人工智慧有多種形態和種類。有一部分可能執行單一封閉性的任務，對網際網路的依賴程度小一些，大部分需要依賴大資料雲計算等網際網路技術進行自我學習與更新，另一方面透過網際網路控制可以使人工智慧的應用領域更加廣泛，操控更加便捷。今後的世界網際網路就如水電一樣不可或缺，任何新技術都會建立在這個平臺上。