002

主? ? 編 |

副 主 編 |

編? ? 委 |

刊名題字 |

地? ? 址 |

郵? ? 編 |

電? ? 話 |

傳? ? 真 |

印刷日期 |

發(fā)行對(duì)象 |

鄭南寧 CAA 理 事 長(zhǎng)、 中 國(guó) 工 程 院 院 士、

西安交通大學(xué)教授

王飛躍 CAA 監(jiān)事長(zhǎng)、中國(guó)科學(xué)院自動(dòng)化

研究所研究員

楊孟飛 CAA 副理事長(zhǎng)、中國(guó)科學(xué)院院士、

中國(guó)空間技術(shù)研究院研究員

陳俊龍 CAA 副理事長(zhǎng)、歐洲科學(xué)院院士、

華南理工大學(xué)教授

（按姓氏筆畫排列）

丁進(jìn)良 王 飛 王占山 王兆魁 王慶林

王 壇 鄧 方 石紅芳 付 俊 呂金虎

喬 非 尹 峰 劉成林 孫長(zhǎng)生 孫長(zhǎng)銀

孫彥廣 孫富春 陽(yáng)春華 李樂飛 辛景民

張 楠 張 俊 陳積明 易建強(qiáng) 周 杰

趙千川 趙延龍 胡昌華 鐘麥英 侯增廣

姜 斌 祝 峰 高會(huì)軍 黃 華 董海榮

韓建達(dá) 謝海江 解永春 戴瓊海

宋 健

北京市海淀區(qū)中關(guān)村東路 95 號(hào)

100190

（010）8254 4542

（010）6252 2248

E-mail：caa@ia.ac.cn

http：//www.caa.org.cn

2022 年 9 月 30 日

中國(guó)自動(dòng)化學(xué)會(huì)會(huì)員及自動(dòng)化領(lǐng)域科技工作者

◆ 為支持學(xué)術(shù)爭(zhēng)鳴，本刊會(huì)登載學(xué)術(shù)觀點(diǎn)彼此相左的不同文章。來稿是否

采用并不反映本刊在學(xué)術(shù)分歧或爭(zhēng)論中的立場(chǎng)。每篇文章只反映作者自身

的觀點(diǎn)，與本刊無(wú)涉。

主管單位　中國(guó)科學(xué)技術(shù)協(xié)會(huì)

主辦單位　中國(guó)自動(dòng)化學(xué)會(huì)

編輯出版　中國(guó)自動(dòng)化學(xué)會(huì)辦公室

本刊聲明

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 001

自動(dòng)化是一門涉及學(xué)科較多、應(yīng)用廣泛的綜合性科學(xué)技術(shù)，在新技術(shù)

新思想的推動(dòng)下，控制科學(xué)與工程學(xué)科的發(fā)展不斷吸收其他學(xué)科領(lǐng)域的最

新成果，已經(jīng)成為保障和促進(jìn)現(xiàn)代社會(huì)發(fā)展和生產(chǎn)力提高的核心科學(xué)技術(shù)

之一。六十年來，廣大自動(dòng)化領(lǐng)域科技工作者前赴后繼，創(chuàng)造了一個(gè)又一

個(gè)奇跡，孕育了一大批重大成果，凝聚了一大批科研學(xué)者，產(chǎn)生了一大批

科技論文，培育了一大批科技期刊，構(gòu)建了一大批學(xué)術(shù)研究機(jī)構(gòu)，形成了

完善的教育體系。自動(dòng)化已長(zhǎng)成為一棵根基深厚、枝繁葉茂的參天大樹，

不斷交叉融合，孕育產(chǎn)生了許多新興學(xué)科，成為衡量一個(gè)國(guó)家發(fā)展水平和

現(xiàn)代化程度的重要標(biāo)志。

一甲子風(fēng)云歷程，六十載春華秋實(shí)。伴隨自動(dòng)化科學(xué)技術(shù)的發(fā)展，中

國(guó)自動(dòng)化學(xué)會(huì)也逐漸發(fā)展成為一流科技社團(tuán)，學(xué)會(huì)各項(xiàng)業(yè)務(wù)實(shí)現(xiàn)了跨越式

發(fā)展，取得了諸多輝煌的榮譽(yù)，逐步發(fā)展成為了擁有近 8 萬(wàn)名會(huì)員、58 個(gè)

分支機(jī)構(gòu)，具有國(guó)內(nèi)外廣泛影響力和公信力的現(xiàn)代科技社團(tuán)。

2022 年 8 月 12 日，中國(guó)自動(dòng)化學(xué)會(huì) 60 周年會(huì)慶活動(dòng)在云南昆明成

功召開。本期通訊聚焦中國(guó)自動(dòng)化學(xué)會(huì)六十周年會(huì)慶活動(dòng)，為大家分享了

中國(guó)工程院院士、中國(guó)自動(dòng)化學(xué)會(huì)理事長(zhǎng)、西安交通大學(xué)教授鄭南寧在活

動(dòng)上的工作報(bào)告，及中國(guó)工程院院士、中國(guó)自動(dòng)化學(xué)會(huì)第九屆理事會(huì)理事

長(zhǎng)、浙江大學(xué)教授孫優(yōu)賢在論壇上的致辭，并重點(diǎn)介紹了中國(guó)自動(dòng)化學(xué)會(huì)

六十周年杰出貢獻(xiàn)獎(jiǎng)。

在此向貢獻(xiàn)稿件的各位專家學(xué)者表示衷心的感謝。六十載砥礪前行，

新時(shí)代催人奮進(jìn)。歷史啟示我們，前進(jìn)道路從來不是一帆風(fēng)順的，但只要

有堅(jiān)定的信念、堅(jiān)決的行動(dòng)，必將戰(zhàn)勝一切艱難險(xiǎn)阻，不斷創(chuàng)造歷史偉

業(yè)。站在新的歷史起點(diǎn)，中國(guó)自動(dòng)化學(xué)會(huì)將團(tuán)結(jié)帶領(lǐng)廣大科技工作者，瞄

準(zhǔn)世界科技前沿，堅(jiān)持“四個(gè)面向”，發(fā)揚(yáng)科學(xué)家精神，勠力同心，篤行

不怠，奮力推進(jìn)我國(guó)自動(dòng)化科技事業(yè)自立自強(qiáng)！

主編的話

002 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

專題 /? Column

004 弘揚(yáng)科學(xué)家精神　奮力推進(jìn)中國(guó)自動(dòng)化事業(yè)

高水平發(fā)展——中國(guó)自動(dòng)化學(xué)會(huì)成立六十周年

工作報(bào)告 / 鄭南寧

008 在中國(guó)自動(dòng)化學(xué)會(huì) 60 年會(huì)慶上的講話（內(nèi)容

節(jié)選）/ 孫優(yōu)賢

009 銘記與傳承——中國(guó)自動(dòng)化學(xué)會(huì)六十周年杰出

貢獻(xiàn)獎(jiǎng)隆重頒發(fā)

觀點(diǎn) /? Viewpoint

012 王耀南院士：我國(guó)智能機(jī)器人核心芯片技術(shù)發(fā)

展戰(zhàn)略研究

024 王飛躍：元宇宙如何改變一切

目錄 CONTENTS

學(xué)術(shù)前沿 /? Academic Frontier

028 具有全局速度約束的慣性 / 編碼器 / 視覺 / 激光

融合定位方法：IEVL-Fusion / 武東杰　仲訓(xùn)昱

崔曉珍　莊明溪　彭俠夫

039 一種基于功用性圖的目標(biāo)推抓技能自監(jiān)督學(xué)習(xí)

方法 / 吳培良　劉瑞軍　毛秉毅　史浩洋　陳雯柏　高國(guó)偉

054 解耦表征學(xué)習(xí)綜述 / 文載道　王佳蕊　王小旭　潘　泉

科普?qǐng)@地 /? Science Park

079 “魔鏡”靠什么辨識(shí)每一張臉 / 戴鳳智

081 人臉識(shí)別技術(shù)全面總結(jié)：從傳統(tǒng)方法到深度學(xué)

習(xí) /Daniel Saez Trigueros 等

P004

P023 P027

P008

P009

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 003

CONTENTS 目錄

學(xué)會(huì)動(dòng)態(tài) /? Activities

087 第七期 CAA 會(huì)士面對(duì)面活動(dòng)成功召開

088 第十期 CAA 科普大講堂活動(dòng)成功召開

089 零距離“對(duì)話”人工智能，機(jī)器人足球賽“燃

翻全場(chǎng)”——揚(yáng)子晚報(bào)蘇州小記者走進(jìn)同濟(jì)機(jī)

器人科普教育基地

091 首屆新興技術(shù)產(chǎn)業(yè)高端圓桌論壇在京召開

黨建強(qiáng)會(huì) /? Party Building

092 習(xí)近平：在復(fù)興之路上堅(jiān)定前行——《復(fù)興文

庫(kù)》序言

093 張玉卓：在深化系統(tǒng)改革中持續(xù)增強(qiáng)科協(xié)組織

的發(fā)展活力

形勢(shì)通報(bào) /? Voice

097 關(guān)于新時(shí)代進(jìn)一步加強(qiáng)科學(xué)技術(shù)普及工作的

意見

P089 P088

P090 P091

P087

004 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

專題 COLUMN

弘揚(yáng)科學(xué)家精神　奮力推進(jìn)中國(guó)自動(dòng)化事業(yè)高水平發(fā)展

——中國(guó)自動(dòng)化學(xué)會(huì)成立六十周年工作報(bào)告

文 / 中國(guó)工程院院士、中國(guó)自動(dòng)化學(xué)會(huì)理事長(zhǎng)、西安交通大學(xué)教授鄭南寧

今 天， 我 們 懷 著 激 動(dòng) 和 喜

悅的心情在這里隆重集會(huì)，熱烈

慶祝中國(guó)自動(dòng)化學(xué)會(huì)成立 60 周

年。首先，我代表中國(guó)自動(dòng)化學(xué)

會(huì)，向蒞臨此次大會(huì)的來賓表示

熱烈的歡迎！向關(guān)心、支持學(xué)會(huì)

工作的各界同仁、自動(dòng)化及相關(guān)

領(lǐng)域廣大科技工作者表示衷心的

感謝！

本次大會(huì)是在我國(guó)開啟全面

建設(shè)社會(huì)主義現(xiàn)代化國(guó)家新征程、

以實(shí)際行動(dòng)迎接黨的二十大的重

要時(shí)刻召開的一次大會(huì)，具有重

要 的 歷 史 意 義。 會(huì) 議 的 主 題 是：

弘揚(yáng)老一輩科學(xué)家精神，奮力推

進(jìn)自動(dòng)化高水平自立自強(qiáng)，為把

我國(guó)建設(shè)成為世界一流科技強(qiáng)國(guó)

做出更大貢獻(xiàn)。

1956 年，黨中央發(fā)出“向科

學(xué)進(jìn)軍”的號(hào)召，為貫徹落實(shí)科

學(xué)技術(shù)十二年發(fā)展遠(yuǎn)景綱要，在

周總理的親切關(guān)懷下，在錢學(xué)森、

沈尚賢、鐘士模、陸元九、郎世

俊等老一輩科學(xué)家的倡議下，中

國(guó)自動(dòng)化學(xué)會(huì)于 1961 年 11 月 27

日，宣告成立，錢學(xué)森任學(xué)會(huì)第

一屆理事長(zhǎng)。

1978 年， 鄧 小 平 同 志 提 出

“科學(xué)技術(shù)是第一生產(chǎn)力”的重要

論斷，中華民族迎來了“歷史上

最 燦 爛 的 科 學(xué) 春 天 ”， 中 國(guó) 自 動(dòng)

化學(xué)會(huì)恢復(fù)和煥發(fā)出了新的生機(jī)，

中國(guó)自動(dòng)化事業(yè)得到了快速發(fā)展。

2012 年 黨 的 十 八 來 以 來，

以習(xí)近平同志為核心的黨中央加

強(qiáng)了對(duì)科技事業(yè)的全面領(lǐng)導(dǎo)；中

國(guó)自動(dòng)化學(xué)會(huì)不忘初心，牢記使

命，緊抓機(jī)遇，銳意改革，積極

創(chuàng)新，昂首闊步邁向新的發(fā)展

階段。

六 十 多 年 以 來， 自 動(dòng) 化 科

學(xué)與技術(shù)不斷地將人類從繁重的

體力勞動(dòng)中解放出來，不斷地拓

展人類認(rèn)識(shí)世界和改造世界的領(lǐng)

域，不斷地提升人類認(rèn)識(shí)世界和

改造世界的能力，成為衡量一個(gè)

國(guó)家發(fā)展水平和現(xiàn)代化程度的重

要標(biāo)志。隨著科學(xué)技術(shù)的快速發(fā)

展和社會(huì)需求的日益增長(zhǎng)，自動(dòng)

化已經(jīng)開始并繼續(xù)將人類從復(fù)雜

的腦力勞動(dòng)中解放出來，推動(dòng)人

類社會(huì)進(jìn)入新的智能化時(shí)代。經(jīng)

過六十年的發(fā)展，中國(guó)自動(dòng)化已

長(zhǎng)成為一棵根基深厚、枝繁葉茂

的參天大樹，孕育產(chǎn)生了許多新

興學(xué)科，在空天科技、深地深海

前沿領(lǐng)域、軌道交通、生物醫(yī)療、

智慧農(nóng)業(yè)、社會(huì)治理等方面發(fā)揮

著不可替代的作用，取得了重要

突破。

第一部分：歷史回顧

六十年來，中國(guó)自動(dòng)化學(xué)會(huì)

和中國(guó)自動(dòng)化事業(yè)大體上經(jīng)歷了

開創(chuàng)發(fā)展、追蹤發(fā)展和加速發(fā)展

三個(gè)階段。

第一階段：開創(chuàng)發(fā)展期

（1961 年至 1976 年）

中國(guó)自動(dòng)化學(xué)會(huì)成立之初就

立足國(guó)家發(fā)展戰(zhàn)略：主動(dòng)參與國(guó)

家科委關(guān)于自動(dòng)化科學(xué)學(xué)科組工

作；組建自動(dòng)化元件及裝置等五

個(gè)專業(yè)委員會(huì)；創(chuàng)辦《自動(dòng)化學(xué)

報(bào)》等期刊；成為國(guó)際自控聯(lián)的

發(fā)起成員國(guó)之一；以及舉辦展覽

會(huì)等；為百?gòu)U待興的新中國(guó)建設(shè)

與發(fā)展貢獻(xiàn)了一份力量。

第二階段：追蹤發(fā)展期

（1977 年至 2012 年）

1978 年， 鄧 小 平 同 志 在 全

國(guó)科學(xué)大會(huì)上做出了“科學(xué)技術(shù)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 005

COLUMN 專題

是第一生產(chǎn)力”的重要論斷，確

立了科技工作的指導(dǎo)思想。中國(guó)

自動(dòng)化學(xué)會(huì)迎來了發(fā)展的春天，

1977 年 9 月學(xué)會(huì)正式恢復(fù)開展學(xué)

術(shù)活動(dòng)。自此，在宋健、胡啟恒、

楊嘉墀、陳翰馥、戴汝為、孫優(yōu)

賢等理事長(zhǎng)的大力領(lǐng)導(dǎo)下，中國(guó)

自動(dòng)化學(xué)會(huì)已經(jīng)成長(zhǎng)為擁有 4 萬(wàn)

余名會(huì)員、80 個(gè)團(tuán)體會(huì)員、26 個(gè)

專業(yè)委員會(huì)的科技社團(tuán)。

1978 年，學(xué)會(huì)在太原召開第

一次大型學(xué)術(shù)年會(huì)，1979 年復(fù)刊

《自動(dòng)化學(xué)報(bào)》、創(chuàng)刊《機(jī)器人》。

自 1980 年起逐步增建仿真技術(shù)專

委會(huì)等，全面開展學(xué)術(shù)交流、學(xué)

科研究等相關(guān)工作。自此學(xué)會(huì)每

年平均舉辦 40 余次全國(guó)性綜合或

專門領(lǐng)域的學(xué)術(shù)會(huì)議。

學(xué)會(huì)高度重視國(guó)際學(xué)術(shù)交流

活動(dòng)，1981 年與美國(guó) IEEE 控制

系統(tǒng)學(xué)會(huì)共同主辦“中美控制系

統(tǒng)學(xué)術(shù)會(huì)議”；1999 年承辦國(guó)際

自 動(dòng) 控 制 聯(lián) 合 會(huì)（IFAC） 第 14

屆世界大會(huì)等，為提升中國(guó)自動(dòng)

化的國(guó)際地位做出了重要貢獻(xiàn)。

學(xué)會(huì)積極開展人才培養(yǎng)工作，

2007 年與中國(guó)宇航學(xué)會(huì)共同設(shè)立

楊 嘉 墀 科 技 獎(jiǎng)， 組 織 RoboCup

機(jī)器人世界杯中國(guó)賽、高校自動(dòng)

化大賽等自動(dòng)化系列賽事。學(xué)會(huì)

創(chuàng)辦中國(guó)自動(dòng)化產(chǎn)業(yè)世紀(jì)行活動(dòng)，

推動(dòng)產(chǎn)學(xué)研用協(xié)同發(fā)展。

第三階段：加速發(fā)展期

（2013 年至今）

黨的十八大以來，中國(guó)自動(dòng)

化學(xué)會(huì)積極響應(yīng)黨的號(hào)召，與時(shí)

俱進(jìn)全面深化改革，團(tuán)結(jié)凝聚科

技工作者不斷促進(jìn)科技創(chuàng)新、助

力經(jīng)濟(jì)社會(huì)發(fā)展、深化國(guó)際科技

合作，向科學(xué)技術(shù)的廣度和深度

進(jìn)軍。

在中國(guó)科協(xié)的堅(jiān)強(qiáng)領(lǐng)導(dǎo)下，

在中科院自動(dòng)化所的大力支持下，

中國(guó)自動(dòng)化學(xué)會(huì)在近十年中實(shí)現(xiàn)

了跨越式發(fā)展。學(xué)會(huì)個(gè)人會(huì)員數(shù)

量翻番，現(xiàn)有個(gè)人會(huì)員近 8 萬(wàn)名，

團(tuán)體會(huì)員由 80 家增長(zhǎng)至近 300 家，

新增 27 個(gè)專業(yè)委員會(huì)、53 個(gè)科普

教育基地、23 個(gè)學(xué)會(huì)服務(wù)站，參

與籌建 2 個(gè)國(guó)際學(xué)術(shù)組織，榮獲

“全國(guó)科協(xié)系統(tǒng)先進(jìn)集體”稱號(hào)，

獲評(píng)世界一流科技社團(tuán)評(píng)價(jià)“五

星級(jí)社團(tuán)”。

第二部分：近十年主要工作與

改革創(chuàng)新成果

過去十年，是自動(dòng)化領(lǐng)域科

技工作者砥礪奮進(jìn)的十年。我國(guó)

自動(dòng)化在基礎(chǔ)理論、關(guān)鍵技術(shù)、

產(chǎn)業(yè)應(yīng)用等方面取得了重要進(jìn)展

和重大突破。

過去十年，是中國(guó)自動(dòng)化學(xué)

會(huì)銳意進(jìn)取的十年。學(xué)會(huì)堅(jiān)持黨

建引領(lǐng)，民主辦會(huì)，全面深化學(xué)

會(huì)改革，全力打造有溫度的科技

工作者之家，構(gòu)筑多層次學(xué)術(shù)交

流和科普格局，引領(lǐng)學(xué)科高質(zhì)量

發(fā)展，全面提升戰(zhàn)略支撐力，助

力科技經(jīng)濟(jì)深度融合，為自動(dòng)化、

信息與智能科學(xué)技術(shù)的繁榮發(fā)展，

為建設(shè)世界科技強(qiáng)國(guó)做出積極

貢獻(xiàn)。

一、立根鑄魂，以黨建促會(huì)

建，全面推進(jìn)學(xué)會(huì)發(fā)展。

夯實(shí)黨建之基。學(xué)會(huì)自成立

以來不斷增強(qiáng)全面從嚴(yán)治黨的政

治自覺，以黨的政治建設(shè)為統(tǒng)領(lǐng)，

不斷加強(qiáng)思想建設(shè)，建立學(xué)會(huì)理

事長(zhǎng)、知名科學(xué)家講黨課常態(tài)化

機(jī)制；開展“不忘初心，牢記使

命 ”、 學(xué) 習(xí) 貫 徹 黨 的 十 九 屆 五 中

全會(huì)精神、喜迎建黨百年等專項(xiàng)

政治學(xué)習(xí)活動(dòng)，用黨的創(chuàng)新理論

指導(dǎo)學(xué)會(huì)發(fā)展實(shí)踐。以黨的制度

建設(shè)為保障，制定《中國(guó)自動(dòng)化

學(xué)會(huì)黨委工作會(huì)議議事規(guī)則》等，

不斷推動(dòng)學(xué)會(huì)從嚴(yán)治黨向縱深發(fā)

展，切實(shí)發(fā)揮黨組織的政治引領(lǐng)

作用和戰(zhàn)斗堡壘作用。

弘 揚(yáng) 科 學(xué) 家 精 神。 學(xué) 會(huì) 于

2015 年打造“口述歷史”系列訪

談，深度采訪“七一勛章獲得者”

百歲院士陸元九等與學(xué)會(huì)建設(shè)和

學(xué)科發(fā)展息息相關(guān)的老一輩科學(xué)

家，以科學(xué)家精神引領(lǐng)時(shí)代風(fēng)尚。

筑 牢 黨 建 強(qiáng) 會(huì) 主 陣 地。 自

2012 年至今，學(xué)會(huì)連續(xù) 9 年積極

承擔(dān)中國(guó)科協(xié)黨建強(qiáng)會(huì)計(jì)劃，切

實(shí)開展“科技精準(zhǔn)扶貧”系列活

動(dòng)。“CAA 黨員先鋒隊(duì)”的足跡

已遍布云南、貴州、甘肅等全國(guó)

20 余 個(gè) 地 市 區(qū)， 建 立 2 所 愛 心

圖書館，8 個(gè)智慧教育實(shí)驗(yàn)基地，

廣泛開展助學(xué)助教工作，普及科

技新知，助力鄉(xiāng)村振興，作為唯

006 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

專題 COLUMN

一一家全國(guó)性社會(huì)組織，入選中

國(guó)社會(huì)組織扶貧 50 佳案例。

深化學(xué)會(huì)治理結(jié)構(gòu)與治理機(jī)

制改革。自上而下分工合作、權(quán)

責(zé)明確，創(chuàng)新理事會(huì)五級(jí)例會(huì)制

度， 形 成 位 階 有 序 的 議 事 規(guī) 則；

規(guī)范分支機(jī)構(gòu)動(dòng)態(tài)管理，推進(jìn)學(xué)

會(huì)辦事機(jī)構(gòu)實(shí)體化建設(shè)，增強(qiáng)服

務(wù)能力。

矢志不懈，戮力奮斗。學(xué)會(huì)

黨建工作得到了中國(guó)科協(xié)黨委的

充分肯定，連續(xù) 6 年榮獲黨建強(qiáng)

會(huì)項(xiàng)目“優(yōu)秀組織獎(jiǎng)”，2018 年

榮獲全國(guó)學(xué)會(huì)“星級(jí)黨組織”稱

號(hào)（ 八 星 級(jí) ）， 并 在 建 黨 百 年 之

際被中國(guó)科協(xié)評(píng)為“2018-2020

年度中國(guó)科協(xié)黨建工作先進(jìn)

學(xué)會(huì)”。

二、以人為本，打造有溫度

的科技工作者之家

學(xué)會(huì)充分發(fā)揮組織優(yōu)勢(shì)，以

品牌凝聚人才，以服務(wù)溫暖人心，

以核心價(jià)值觀引領(lǐng)人才，以信息

化平臺(tái)為手段，全方位、多層次、

寬領(lǐng)域服務(wù)科技工作者，建設(shè)深

受廣大會(huì)員喜愛的科技工作者

之家。

以品牌凝聚人才，構(gòu)筑學(xué)術(shù)

交流高地。搭建高端學(xué)術(shù)交流平

臺(tái)，打造中國(guó)自動(dòng)化大會(huì)等 10 余

個(gè)品牌學(xué)術(shù)會(huì)議，形成層次清晰

的學(xué)術(shù)交流矩陣。

以服務(wù)溫暖人心，實(shí)施會(huì)員

精準(zhǔn)服務(wù)。面向全體會(huì)員，學(xué)會(huì)

設(shè)立會(huì)員服務(wù)月，每年定期開展

10 余次專屬會(huì)員活動(dòng)；面向女性

會(huì)員，設(shè)立“女性科技工作者發(fā)

展計(jì)劃”項(xiàng)目；面向青年會(huì)員，

全力打造青年菁英系列論壇、錢

學(xué)森國(guó)際杰出科學(xué)家講座等品牌

活動(dòng)；打造 CAA 線上云講座系

列活動(dòng)；在疫情來襲之際，第一

時(shí)間向疫情地區(qū)會(huì)員郵寄口罩等

防疫物資，為會(huì)員提供有溫度的

服務(wù)。

以核心價(jià)值觀引領(lǐng)人才，強(qiáng)

化人才培養(yǎng)力度。建設(shè)科技獎(jiǎng)勵(lì)

體系，實(shí)現(xiàn)多層次人才評(píng)價(jià)。此

外，學(xué)會(huì)不斷拓寬獎(jiǎng)勵(lì)舉薦渠道，

2015 年獲得直推國(guó)家科技獎(jiǎng)勵(lì)資

格，經(jīng)學(xué)會(huì)推薦的 3 個(gè)項(xiàng)目榮獲

國(guó)家科技獎(jiǎng)；依托中國(guó)科協(xié)“青

年人才托舉工程”，支持 38 位青

年人才茁壯成長(zhǎng)；廣泛開展人才

培訓(xùn)和評(píng)價(jià)，承擔(dān)國(guó)家專業(yè)人才

知識(shí)更新工程，探索工程師能力

標(biāo)準(zhǔn)國(guó)際互認(rèn)試點(diǎn)。

以 信 息 化 平 臺(tái) 為 手 段， 開

創(chuàng)智慧學(xué)會(huì)新局面。以“互聯(lián)網(wǎng)

+”集成學(xué)會(huì)優(yōu)勢(shì)資源，提升聯(lián)通

能力，建設(shè)會(huì)員服務(wù)系統(tǒng)、學(xué)術(shù)

交流系統(tǒng)、期刊采編系統(tǒng)、獎(jiǎng)勵(lì)

系統(tǒng)、組織管理系統(tǒng)和科研動(dòng)態(tài)

系統(tǒng)，與學(xué)會(huì)各項(xiàng)業(yè)務(wù)工作同頻

共振。

三、砥礪深耕，堅(jiān)守學(xué)術(shù)本

源，引領(lǐng)學(xué)科高質(zhì)量發(fā)展

中國(guó)自動(dòng)化學(xué)會(huì)以高端交流

平臺(tái)和高水平科技期刊等為抓手，

匯聚國(guó)內(nèi)外頂尖人才，筑牢開放

合作基礎(chǔ)，突出高端學(xué)術(shù)引領(lǐng)，

建設(shè)支撐科技自立自強(qiáng)新高地。

搭建開放交流平臺(tái)，構(gòu)建三

位一體學(xué)術(shù)會(huì)議體系。學(xué)會(huì)瞄準(zhǔn)

世界科技前沿和可持續(xù)發(fā)展目標(biāo)，

緊扣時(shí)代發(fā)展主題，構(gòu)建以中國(guó)

自動(dòng)化大會(huì)為代表的“綜合交叉

類學(xué)術(shù)會(huì)議”、以國(guó)家機(jī)器人發(fā)展

論壇、國(guó)家智能車發(fā)展論壇、中

國(guó)認(rèn)知計(jì)算與混合智能學(xué)術(shù)大會(huì)

等為代表的“前沿高端類學(xué)術(shù)會(huì)

議”。58 個(gè)分支機(jī)構(gòu)面向不同的

二級(jí)學(xué)科建立品牌學(xué)術(shù)會(huì)議。學(xué)

會(huì)每年約召開千余場(chǎng)學(xué)術(shù)活動(dòng)，

受眾人數(shù)近兩千萬(wàn)人次，交流論

文上萬(wàn)余篇，覆蓋自動(dòng)化、信息

與智能科學(xué)領(lǐng)域的基礎(chǔ)研究、技

術(shù)開發(fā)、產(chǎn)業(yè)應(yīng)用和教育等各個(gè)

方面，有力地助推了自動(dòng)化、信

息與智能科學(xué)的自主創(chuàng)新和人才

培養(yǎng)。

支撐引領(lǐng)原始創(chuàng)新，加快一

流期刊品牌建設(shè)。學(xué)會(huì)緊跟學(xué)科

發(fā)展趨勢(shì)，大力培育 9 種精品學(xué)

術(shù)期刊，形成一流期刊集群。編

制發(fā)布高質(zhì)量科技期刊分級(jí)目錄，

形成《中國(guó)自動(dòng)化學(xué)會(huì)推薦學(xué)術(shù)

期刊目錄（試行）》。

深耕學(xué)科發(fā)展，積極組織撰

寫領(lǐng)域?qū)W科發(fā)展研究。學(xué)會(huì)連續(xù)

四年開展“控制科學(xué)與工程學(xué)科

發(fā)展研究”，編制《中國(guó)控制科學(xué)

與工程學(xué)科史》《自動(dòng)化學(xué)科發(fā)展

路線圖》和《智能控制：方法與

應(yīng)用》，發(fā)揮學(xué)科戰(zhàn)略引領(lǐng)作用，

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 007

COLUMN 專題

預(yù)判學(xué)科發(fā)展趨勢(shì)，推動(dòng)自動(dòng)化

學(xué)科快速發(fā)展。

四、精準(zhǔn)布局，發(fā)揮智庫(kù)優(yōu)

勢(shì)，服務(wù)科技經(jīng)濟(jì)融合發(fā)展

中國(guó)自動(dòng)化學(xué)會(huì)以國(guó)家和區(qū)

域產(chǎn)業(yè)發(fā)展需求為牽引，把科技

共同體人才勢(shì)能轉(zhuǎn)化為高質(zhì)量發(fā)

展動(dòng)能，為提升國(guó)民經(jīng)濟(jì)發(fā)展水

平提供科技支撐。

學(xué)會(huì)組建多個(gè)產(chǎn)業(yè)科技服務(wù)

團(tuán)，匯聚 200 余位專家學(xué)者，走

訪 50 余個(gè)城市，成立 23 家學(xué)會(huì)

服務(wù)站、2 個(gè)院士工作站，形成

20 余項(xiàng)技術(shù)開發(fā)合作項(xiàng)目，為產(chǎn)

業(yè)集群和重點(diǎn)企業(yè)提供定制化組

合式服務(wù)。創(chuàng)辦國(guó)家機(jī)器人發(fā)展

論壇、等十余個(gè)品牌學(xué)術(shù)活動(dòng)，

構(gòu)建供需對(duì)接信息平臺(tái)、人才技

術(shù)賦能平臺(tái)，形成“成果庫(kù)”“專

家?guī)臁薄靶枨髱?kù)”以及重點(diǎn)技術(shù)領(lǐng)

域?qū)＠畔?kù)，發(fā)布《前沿科技

領(lǐng)域成果匯編》、《區(qū)塊鏈技術(shù)前沿

熱點(diǎn)綜述》、《工業(yè)控制系統(tǒng)信息

安全》等重點(diǎn)領(lǐng)域系列發(fā)展報(bào)告；

開展團(tuán)體標(biāo)準(zhǔn)制定和科技成果評(píng)

價(jià)工作，完成百余項(xiàng)目技術(shù)成果

鑒定；開展“智匯中國(guó)”平臺(tái)建

設(shè)，參與中國(guó)科協(xié)學(xué)術(shù)會(huì)議成果

智庫(kù)化項(xiàng)目，將學(xué)術(shù)交流成果有

效轉(zhuǎn)化為智庫(kù)成果；前瞻性提出

未來競(jìng)爭(zhēng)優(yōu)勢(shì)的重點(diǎn)布局，為制

定科技戰(zhàn)略和規(guī)劃提供依據(jù)，為

自動(dòng)化產(chǎn)業(yè)及科技社團(tuán)發(fā)展建言

獻(xiàn)策，突出科技社團(tuán)治理特色，

為黨和政府決策服務(wù)。

五、 肩 負(fù) 使 命， 合 力 打 造

“科普之翼”

中國(guó)自動(dòng)化學(xué)會(huì)始終肩負(fù)

傳播自動(dòng)化、信息及智能科學(xué)

領(lǐng)域新知識(shí)、提高全民科學(xué)素

質(zhì)的重要使命，積極推動(dòng)自動(dòng)

化、信息與智能科學(xué)領(lǐng)域內(nèi)科

普傳播協(xié)同化、側(cè)重化、多樣

化發(fā)展。

搭建多主體參與、多樣化傳

播的共建共享平臺(tái)。組建以科研

院所、媒體及企業(yè)為主體的科普

工作委員會(huì)；組建“自動(dòng)化與人

工智能”科普百人團(tuán)及 9 個(gè)科學(xué)

傳 播 團(tuán) 隊(duì)； 建 立 53 家 科 普 教 育

基地，織密科普工作網(wǎng)絡(luò)。此外，

學(xué)會(huì)積極參加全國(guó)科普日等活動(dòng)，

加強(qiáng)《自動(dòng)化博覽》等科普刊物

建設(shè)，出版科普書籍；積極探索

“互聯(lián)網(wǎng) + 科普”新模式，廣泛傳

播領(lǐng)域知識(shí)。

構(gòu)建培養(yǎng)青少年科技人

才 的 開 放 高 地。 組 織 開 展 了

RoboCupJunior 青 少 年 機(jī) 器 人

世界杯中國(guó)賽、中國(guó)機(jī)器人大賽、

3E 國(guó)際青少年智能與創(chuàng)意設(shè)計(jì)大

賽、世界青少年創(chuàng)客奧林匹克競(jìng)

賽（WYMOLY） 中 國(guó) 賽 等 系 列

賽事，組織開展了全國(guó)高校青年

“自動(dòng)化與人工智能”知識(shí)普及志

愿活動(dòng)。

學(xué)會(huì)微博進(jìn)駐科普中國(guó)潛力

榜，榮獲科普新媒體傳播飛躍獎(jiǎng)，

連續(xù)多年榮獲中國(guó)科協(xié)“全國(guó)學(xué)

會(huì)科普工作優(yōu)秀單位”稱號(hào)。

六、開放合作，提升學(xué)會(huì)國(guó)

際影響力

中國(guó)自動(dòng)化學(xué)會(huì)著力構(gòu)建對(duì)

外開放新格局，以全球視野謀劃

和推動(dòng)學(xué)會(huì)改革創(chuàng)新，不斷提升

學(xué)會(huì)開放合作能力。

搭建國(guó)際學(xué)術(shù)交流平臺(tái)。學(xué)

會(huì)成功承辦 IFAC 第 14 屆世界

大會(huì)、第 23 屆世界人工智能國(guó)

際聯(lián)合大會(huì)、國(guó)際智能車大會(huì)等

10 余個(gè)大型在華國(guó)際學(xué)術(shù)會(huì)議，

其中學(xué)會(huì)于 1999 年承辦的 IFAC

世界大會(huì)是第一次在發(fā)展中國(guó)家

召開的國(guó)際自動(dòng)控制界的一次盛

會(huì)；世界人工智能國(guó)際聯(lián)合大會(huì)

是人工智能領(lǐng)域的頂級(jí)學(xué)術(shù)會(huì)

議，被譽(yù)為人工智能界的奧林匹

克，是自創(chuàng)辦 45 年以來首次落

戶中國(guó)。

提升參與全球科技治理能力。

學(xué)會(huì)參與籌建智能科學(xué)與技術(shù)協(xié)

會(huì)（AIST）和智能產(chǎn)業(yè)促進(jìn)協(xié)會(huì)

（AAII）； 與 國(guó) 際 自 動(dòng) 控 制 聯(lián) 合

會(huì)（IFAC）、電氣電子工程師學(xué)

會(huì)（IEEE）、以及國(guó)際 模 式 識(shí) 別

學(xué)會(huì)（IAPR）等建立互惠合作

網(wǎng)絡(luò)。推薦百余位會(huì)員當(dāng)選國(guó)際

學(xué)術(shù)組織 Fellow，擔(dān)任國(guó)際學(xué)

術(shù)組織重要領(lǐng)導(dǎo)職務(wù)，有力提升

了我國(guó)自動(dòng)化的國(guó)際影響力和話

語(yǔ)權(quán)。

第三部分：“十四五”發(fā)展設(shè)想

今年是實(shí)施“十四五”規(guī)劃

的關(guān)鍵之年，中國(guó)自動(dòng)化學(xué)會(huì)將

008 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

專題 COLUMN

在中國(guó)自動(dòng)化學(xué)會(huì) 60 年會(huì)慶上的講話

（內(nèi)容節(jié)選）

文 / 中國(guó)工程院院士、中國(guó)自動(dòng)化學(xué)會(huì)第九屆理事會(huì)理事長(zhǎng)、浙江大學(xué)教授孫優(yōu)賢

壯麗六十載，奮斗新時(shí)代。從一

株幼苗成長(zhǎng)為如今枝繁葉茂的參天大

樹，中國(guó)自動(dòng)化學(xué)會(huì)在一代又一代自

動(dòng)化人的接續(xù)奮斗中砥礪前行，這其

中飽含了無(wú)數(shù)老一輩科學(xué)家上下求索

的追尋、嘔心瀝血的奉獻(xiàn)；飽含了無(wú)

數(shù)青年科技工作者熱情昂揚(yáng)的奮斗和

堅(jiān)定執(zhí)著的前行；飽含了全國(guó)各界自

動(dòng)化工作人員任勞任怨的付出和勤勤

懇懇的奉獻(xiàn)。

作為中國(guó)自動(dòng)化學(xué)會(huì)第九屆理事

會(huì)理事長(zhǎng)，看到如今蓬勃發(fā)展的中國(guó)

自動(dòng)化學(xué)會(huì)，我感到非常驕傲和自豪。

尤其是這十年來，中國(guó)自動(dòng)化學(xué)

會(huì)在鄭南寧理事長(zhǎng)的帶領(lǐng)下，取得了

全方位的、開創(chuàng)性的成就，學(xué)會(huì)獲得

了民政部先進(jìn)社會(huì)組織，連續(xù)兩年蟬

聯(lián)了世界五星級(jí)科技社團(tuán)的稱號(hào)，這

是全國(guó)各界自動(dòng)化學(xué)人共同努力的

結(jié)果。

十年來，中國(guó)自動(dòng)化學(xué)會(huì)進(jìn)行了

深層次的、根本性的變革，包括提出

的一系列新理念新思想新戰(zhàn)略，推出

的一系列重大舉措，開展的一系列重

大工作，辦成了許多過去想辦而沒有

辦成功的大事，推動(dòng)了學(xué)會(huì)和自動(dòng)化

事業(yè)的繁榮發(fā)展。

我們更加欣喜地看到，這十年來，

中國(guó)自動(dòng)化學(xué)會(huì)全面深化改革實(shí)現(xiàn)了

重大突破，學(xué)術(shù)引領(lǐng)力、會(huì)員凝聚力、

戰(zhàn)略支撐力、文化傳播力、國(guó)際影響

力實(shí)現(xiàn)了跨越式發(fā)展，這讓我們看到

了一個(gè)更加團(tuán)結(jié)、更加奮進(jìn)、更加蓬

勃的中國(guó)自動(dòng)化學(xué)會(huì)。

繼續(xù)圍繞黨和國(guó)家的

發(fā)展大局，以改革創(chuàng)

新的精神推進(jìn)中國(guó)特

色世界一流科技社團(tuán)

建設(shè)；以廣大科技工

作者為中心，繁榮學(xué)

術(shù)研究和交流，促進(jìn)

開放合作，涵養(yǎng)創(chuàng)新

生態(tài)；以更加廣闊的

視野、更強(qiáng)有力的歷

史擔(dān)當(dāng)，團(tuán)結(jié)帶領(lǐng)廣

大科技工作者為中國(guó)

自動(dòng)化事業(yè)繁榮發(fā)展

做出更大的貢獻(xiàn)。

自動(dòng)化同仁們！

歲 月 崢 嶸， 甲

子榮光。廣大科技工

作者在我國(guó)自動(dòng)化事

業(yè)的發(fā)展道路上留下

過辛勤的汗水，譜寫

過輝煌的篇章。宏圖

引領(lǐng)未來，使命呼喚

擔(dān)當(dāng)。站在新的歷史

起點(diǎn)，中國(guó)自動(dòng)化學(xué)

會(huì)將團(tuán)結(jié)帶領(lǐng)廣大科

技工作者，瞄準(zhǔn)世界

科技前沿，堅(jiān)持“四

個(gè)面向”，發(fā)揚(yáng)科學(xué)

家精神，勠力同心，

奮勇前進(jìn)，為推進(jìn)我

國(guó)自動(dòng)化事業(yè)高水平

發(fā)展，為使我國(guó)真正

成為世界自動(dòng)化和人

工智能強(qiáng)國(guó)做出更大

的貢獻(xiàn)！

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 009

COLUMN 專題

銘記與傳承

——中國(guó)自動(dòng)化學(xué)會(huì)六十周年杰出貢獻(xiàn)獎(jiǎng)隆重頒發(fā)

2022 年 8 月 12 日，2021 中國(guó)

自動(dòng)化大會(huì)暨中國(guó)自動(dòng)化學(xué)會(huì)六十周

年會(huì)慶活動(dòng)在云南昆明召開，值此甲

子華誕之際，學(xué)會(huì)特別設(shè)立“中國(guó)自

動(dòng)化學(xué)會(huì)六十周年杰出貢獻(xiàn)獎(jiǎng)”，隆

重表彰 12 位在自動(dòng)化學(xué)科、產(chǎn)業(yè)繁

榮、學(xué)會(huì)建設(shè)等方面作出突出成就的

老一輩科學(xué)家，傳承弘揚(yáng)以他們?yōu)榇?/p>

表的創(chuàng)新精神和奉獻(xiàn)精神。

中國(guó)自動(dòng)化學(xué)會(huì)理事長(zhǎng)、中國(guó)

工程院院士西安交通大學(xué)鄭南寧教授

為獲獎(jiǎng)?wù)哳C獎(jiǎng)。 中國(guó)自動(dòng)化學(xué)會(huì)杰出貢獻(xiàn)獎(jiǎng)授予儀式

中國(guó)自動(dòng)化學(xué)會(huì)六十周年杰出貢獻(xiàn)獎(jiǎng)獲得者

010 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

專題 COLUMN

萬(wàn)百五

CAA 第三屆理事會(huì)常務(wù)理事、第四屆理事會(huì)

理事

王子才

CAA Fellow

胡啟恒

CAA Fellow　第四、五屆理事會(huì)理事長(zhǎng)

吳　澄

CAA Fellow

第十、十一屆理事會(huì)特聘顧問

涂序彥

CAA 第三、五、六、七、八屆理事會(huì)

常務(wù)理事

熊范綸

CAA Fellow

第六、七、八屆理事會(huì)常務(wù)理事

我國(guó)自動(dòng)化及系統(tǒng)工程專家，

在大工業(yè)過程遞階穩(wěn)態(tài)優(yōu)化控制、穩(wěn)

態(tài)模型辨識(shí)、大工業(yè)過程智能控制等

方面取得重大成果。

中國(guó)工程院院士、我國(guó)自動(dòng)控

制、系統(tǒng)仿真專家，發(fā)展了伺服系統(tǒng)

理論，首次研制成功分布式仿真系

統(tǒng)，為半物理仿真系統(tǒng)及仿真轉(zhuǎn)臺(tái)研

制及產(chǎn)業(yè)化發(fā)展作出了重大貢獻(xiàn)。

中國(guó)工程院院士，我國(guó)模式識(shí)

別與人工智能領(lǐng)域最早的探索者之

一，推動(dòng)互聯(lián)網(wǎng)在中國(guó)發(fā)展做出了卓

越貢獻(xiàn)，成為獲得全球互聯(lián)網(wǎng)最高榮

譽(yù)的首位中國(guó)人。作為學(xué)會(huì)兩任理事

長(zhǎng)，對(duì)學(xué)會(huì)發(fā)展做出了突出貢獻(xiàn)。

中國(guó)工程院院士、我國(guó)自動(dòng)控

制專家，領(lǐng)導(dǎo)并參與了中國(guó) CIMS 的

研究和應(yīng)用，為中國(guó)企業(yè)的技術(shù)進(jìn)步

和建立現(xiàn)代管理制度起了示范及引導(dǎo)

作用。積極參與學(xué)會(huì)產(chǎn)學(xué)研工作，為

提升學(xué)會(huì)服務(wù)科技經(jīng)濟(jì)融合能力做出

了重要貢獻(xiàn)。

我國(guó)自動(dòng)控制和人工智能專家，

主持研制了世界上第一個(gè)中醫(yī)專家系

統(tǒng)，在國(guó)際上首先提出“智能管理”

新概念與“多級(jí)專家系統(tǒng)”等新方

法。連續(xù)多屆參與學(xué)會(huì)工作，為學(xué)會(huì)

學(xué)術(shù)、期刊等發(fā)展做出了重要貢獻(xiàn)。

CAA 會(huì)士，國(guó)際自動(dòng)控制聯(lián)合

會(huì) IFAC Fellow。我國(guó)智能農(nóng)業(yè)的

開創(chuàng)者與奠基人，國(guó)際農(nóng)業(yè)人工智能

的開拓者之一，并為 CAA 智慧農(nóng)業(yè)

專委會(huì)的創(chuàng)建發(fā)展做出了突出貢獻(xiàn)。

CAA 六十周年杰出貢獻(xiàn)獎(jiǎng)（按年齡排序）

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 011

COLUMN 專題

王天然

CAA Fellow

第九屆理事會(huì)副理事長(zhǎng)

柴天佑

CAA Fellow

第十屆理事會(huì)副理事長(zhǎng)

席裕庚

CAA 第七、八、九屆理事會(huì)副理事長(zhǎng)，

第十、十一屆理事會(huì)特聘顧問

桂衛(wèi)華

CAA Fellow

第十、十一屆理事會(huì)副理事長(zhǎng)

吳啟迪

CAA 第九屆理事會(huì)特聘顧問

王成紅

CAA Fellow

第十、十一屆理事會(huì)副理事長(zhǎng)

中國(guó)工程院院士、我國(guó)機(jī)器人

與工業(yè)自動(dòng)化專家，在工業(yè)機(jī)器人關(guān)

鍵技術(shù)攻關(guān)及推進(jìn)中國(guó)機(jī)器人技術(shù)產(chǎn)

業(yè)化方面做出了突出成績(jī)。

中國(guó)工程院院士、我國(guó)控制理

論和控制工程專家，為中國(guó)控制理論

與控制工程學(xué)科的發(fā)展和中國(guó)工業(yè)自

動(dòng)化事業(yè)做出突出貢獻(xiàn)。積極參與學(xué)

會(huì)學(xué)科發(fā)展與研究工作，為學(xué)會(huì)學(xué)術(shù)

及期刊發(fā)展做出了重要貢獻(xiàn)。

我國(guó)自動(dòng)控制專家，我國(guó)預(yù)測(cè)

控制領(lǐng)域的開拓者，為推動(dòng)預(yù)測(cè)控制

在我國(guó)的傳播、研究和應(yīng)用做出了杰

出貢獻(xiàn)。

中國(guó)工程院院士、我國(guó)自動(dòng)控

制專家，為中國(guó)有色金屬工業(yè)的可持

續(xù)發(fā)展和自動(dòng)化水平的提升，以及中

國(guó)大型高強(qiáng)度鋁合金構(gòu)件制備重大裝

備自動(dòng)化技術(shù)水平跨入世界先進(jìn)行列

做出了重要貢獻(xiàn)。積極參與獎(jiǎng)勵(lì)工

作，為學(xué)會(huì)獎(jiǎng)勵(lì)規(guī)范化發(fā)展、提升獎(jiǎng)

勵(lì)影響力做出了重要貢獻(xiàn)。

我國(guó)智能控制專家，長(zhǎng)期從事

控制理論、控制工程和管理工程領(lǐng)域

的教學(xué)、科研和管理工作，為國(guó)家培

養(yǎng)了一大批自動(dòng)控制領(lǐng)域的人才。

作為學(xué)會(huì)副理事長(zhǎng)分管組織管理

工作，為全面深化學(xué)會(huì)改革、推動(dòng)學(xué)

會(huì)各項(xiàng)業(yè)務(wù)發(fā)展、提升學(xué)會(huì)影響力和

公信力做出了重要貢獻(xiàn)。時(shí)光承載，

歲月濡染。歷史長(zhǎng)河，奔流不息。那

些在自動(dòng)化和中國(guó)自動(dòng)化學(xué)會(huì)發(fā)展長(zhǎng)

河中做出貢獻(xiàn)的杰出科學(xué)家，我們需

要銘記；同時(shí)我們也需要傳承，發(fā)揚(yáng)

光大“自動(dòng)化人”的精神，以更加堅(jiān)

定的信念、更加堅(jiān)決的行動(dòng)，奮力推

進(jìn)我國(guó)自動(dòng)化科技事業(yè)自立自強(qiáng)。

觀點(diǎn) VIEWPOINT

012 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

王耀南院士：我國(guó)智能機(jī)器人核心芯片技術(shù)發(fā)展戰(zhàn)

略研究

智能機(jī)器人正在引領(lǐng)全球新

一輪的科技革命和產(chǎn)業(yè)變革。機(jī)

器人是芯片技術(shù)研究的載體，芯

片是機(jī)器人功能實(shí)現(xiàn)的保障。培

育并推進(jìn)我國(guó)智能機(jī)器人核心芯

片技術(shù)及產(chǎn)業(yè)發(fā)展，提出可行的

智能機(jī)器人自主可控專用芯片技

術(shù)發(fā)展路線，對(duì)解決機(jī)器人發(fā)展

的“卡脖子”問題，推動(dòng)產(chǎn)業(yè)優(yōu)

化升級(jí)并實(shí)現(xiàn)生產(chǎn)力躍升，具有

重要的產(chǎn)業(yè)價(jià)值和戰(zhàn)略意義。

中國(guó)工程院王耀南院士研究

團(tuán)隊(duì)在中國(guó)工程院院刊《中國(guó)工

程科學(xué)》2022 年第 4 期發(fā)表《我

國(guó)智能機(jī)器人核心芯片技術(shù)發(fā)展

戰(zhàn)略研究》一文。文章闡述了智

能機(jī)器人核心芯片技術(shù)對(duì)于推動(dòng)

技術(shù)自主可控、實(shí)現(xiàn)經(jīng)濟(jì)高質(zhì)量

發(fā)展、滿足居民美好生活需要、

提升國(guó)家核心競(jìng)爭(zhēng)力等方面的重

要價(jià)值；梳理了相關(guān)政策、技術(shù)、

產(chǎn)業(yè)等的國(guó)際進(jìn)展，分析了我國(guó)

發(fā)展智能機(jī)器人核心芯片的基礎(chǔ)

優(yōu)勢(shì)和面臨的問題；以多架構(gòu)路

線、技術(shù)方案比對(duì)的方式，論證

了我國(guó)智能機(jī)器人芯片技術(shù)發(fā)展

路線，據(jù)此提出領(lǐng)域發(fā)展策略，

形成面向 2035 的重點(diǎn)任務(wù)與發(fā)展

路線圖。文章建議，將智能機(jī)器

人芯片自主可控發(fā)展上升為國(guó)家

戰(zhàn)略，明確頂層設(shè)計(jì)；設(shè)立智能

機(jī)器人芯片重大科技專項(xiàng)，加大

科研經(jīng)費(fèi)投入；出臺(tái)激勵(lì)智能機(jī)

器人芯片技術(shù)研究和產(chǎn)業(yè)應(yīng)用的

政策，牽引產(chǎn)業(yè)鏈升級(jí)；落實(shí)智

能機(jī)器人芯片人才培養(yǎng)和發(fā)展措

施，推動(dòng)技術(shù)及產(chǎn)業(yè)健康發(fā)展。

一、前言

智能機(jī)器人作為新一輪科技

革命和產(chǎn)業(yè)革命的代表性成果，

其研發(fā)與制造涉及人工智能、機(jī)

械工程、控制論、材料、計(jì)算機(jī)

等多學(xué)科領(lǐng)域，產(chǎn)業(yè)鏈覆蓋面廣、

帶動(dòng)性強(qiáng)，是推動(dòng)我國(guó)工業(yè)、農(nóng)

業(yè)、國(guó)防等各大行業(yè)轉(zhuǎn)型升級(jí)的

戰(zhàn)略性產(chǎn)業(yè)，也是衡量國(guó)家科技

創(chuàng)新實(shí)力的重要標(biāo)志。隨著智能

機(jī)器人逐漸融入到人類的生產(chǎn)與

生活中，其面臨的環(huán)境愈發(fā)多樣，

從事的任務(wù)愈發(fā)復(fù)雜，高可靠、

高動(dòng)態(tài)、強(qiáng)對(duì)抗的應(yīng)用需求對(duì)智

能機(jī)器人的算法與算力提出了高

要求，但我國(guó)在機(jī)器人所需的核

心高性能芯片領(lǐng)域仍相對(duì)薄弱，

核心部件的自主研發(fā)生產(chǎn)能力與

國(guó)際領(lǐng)先水平相差較大，算力、

穩(wěn)定性和集成化程度等方面表現(xiàn)

不佳。伴隨著國(guó)際形勢(shì)日益嚴(yán)峻，

中美貿(mào)易摩擦升級(jí)，逆全球化趨

勢(shì)愈演愈烈，加強(qiáng)國(guó)產(chǎn)制造能力，

掌握新興產(chǎn)業(yè)主導(dǎo)權(quán)，實(shí)現(xiàn)智能

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 013

機(jī)器人芯片技術(shù)及其產(chǎn)業(yè)鏈的自

主可控刻不容緩。

目前，我國(guó)智能機(jī)器人核心

芯片領(lǐng)域的研究仍處于起步階段，

制定合理的戰(zhàn)略規(guī)劃對(duì)于其發(fā)展

具有至關(guān)重要的作用。已有研究

較為系統(tǒng)地梳理了智能機(jī)器人與

芯片技術(shù)的發(fā)展現(xiàn)狀并提出發(fā)展

策略建議。相關(guān)研究圍繞當(dāng)前人

工智能核心軟硬件在技術(shù)、產(chǎn)業(yè)

和政策的發(fā)展情況，梳理總結(jié)了

我國(guó)面臨的生態(tài)體系不完整、基

礎(chǔ)理論研究存在短板、創(chuàng)新環(huán)境

不完善等問題，為其技術(shù)和產(chǎn)業(yè)

發(fā)展提出了思路與目標(biāo)。瞄準(zhǔn)陸

空協(xié)同多模態(tài)智能機(jī)器人，分析

了該種機(jī)器人的發(fā)展現(xiàn)狀，指出

其缺乏系統(tǒng)的發(fā)展規(guī)劃，沒有形

成全鏈條式的發(fā)展模式，軟硬件

結(jié)合度不夠等問題，并給出相應(yīng)

發(fā)展建議。對(duì)人工智能芯片的概

念、 分 類、 發(fā) 展 歷 程 進(jìn) 行 介 紹，

對(duì)其產(chǎn)業(yè)發(fā)展現(xiàn)狀與趨勢(shì)進(jìn)行調(diào)

研與判別，并圍繞人工智能芯片

產(chǎn) 業(yè) 發(fā) 展 提 出 了 建 議?！?先 進(jìn) 半

導(dǎo)體材料及輔助材料”編寫組提

出了半導(dǎo)體材料與輔助材料的體

系化發(fā)展、上下游協(xié)同發(fā)展與可

持續(xù)發(fā)展思路，形成了集成電路

發(fā)展的相關(guān)對(duì)策建議。工業(yè)和信

息化部、發(fā)展和改革委員會(huì)、科

學(xué)技術(shù)部等 15 個(gè)部門聯(lián)合印發(fā)

了《“十四五”機(jī)器人產(chǎn)業(yè)發(fā)展規(guī)

劃》，為我國(guó)智能機(jī)器人產(chǎn)業(yè)提供

了發(fā)展路線指引。

機(jī)器人是芯片技術(shù)研究的載

體，芯片是機(jī)器人功能實(shí)現(xiàn)的保

障，兩者發(fā)展具有深刻的內(nèi)在聯(lián)

系，這是當(dāng)前研究未能深入探討

之處。為此，中國(guó)工程院及時(shí)針

對(duì)智能機(jī)器人核心芯片自主可控

發(fā)展的全局性和關(guān)鍵性問題，啟

動(dòng)了相關(guān)研究，旨在梳理戰(zhàn)略規(guī)

劃、論證技術(shù)路徑、提出技術(shù)方

案。本文分析了智能機(jī)器人核心

芯片的重要價(jià)值與國(guó)際進(jìn)展，總

結(jié)我國(guó)的基礎(chǔ)優(yōu)勢(shì)與面臨的問題，

著重論證技術(shù)發(fā)展路線并提出面

向 2035 年的發(fā)展路線圖，以期為

國(guó)家產(chǎn)業(yè)政策、技術(shù)規(guī)劃、技術(shù)

攻關(guān)等研究提供參考。

二、智能機(jī)器人核心芯片發(fā)展

的戰(zhàn)略意義

智能機(jī)器人核心芯片是一種

專門用于實(shí)現(xiàn)感知、控制、導(dǎo)航、

決策、規(guī)劃等機(jī)器人計(jì)算功能的

高性能處理器，是機(jī)器人在復(fù)雜

環(huán)境完成各類作業(yè)任務(wù)的關(guān)鍵。

通過對(duì)智能機(jī)器人核心芯片技術(shù)

發(fā)展戰(zhàn)略的研究，能夠?yàn)橄嚓P(guān)技

術(shù)的研究提供思路，推動(dòng)技術(shù)鏈、

產(chǎn)業(yè)鏈的自主可控，促進(jìn)經(jīng)濟(jì)高

質(zhì)量發(fā)展。

（一）推動(dòng)技術(shù)自主可控的重

要賽道

目前智能機(jī)器人核心芯片產(chǎn)

業(yè)面臨著嚴(yán)重的內(nèi)憂外患。內(nèi)憂

在于機(jī)器人芯片產(chǎn)業(yè)鏈核心技術(shù)

嚴(yán)重不足，國(guó)產(chǎn)化率很低，國(guó)內(nèi)

芯片封裝測(cè)試初步可控，但設(shè)計(jì)

與制造等高端環(huán)節(jié)自主可控率嚴(yán)

重不足；外患在于目前大國(guó)博弈

的國(guó)際形勢(shì)，西方國(guó)家對(duì)我國(guó)高

端設(shè)備、材料與技術(shù)進(jìn)行封鎖，

對(duì)先進(jìn)芯片實(shí)施禁運(yùn)，以遏制中

國(guó)的發(fā)展。因此，亟需開展智能

機(jī)器人核心芯片技術(shù)方案論證，

根據(jù)算法模型特點(diǎn)設(shè)計(jì)芯片計(jì)算

架構(gòu)，根據(jù)計(jì)算架構(gòu)優(yōu)化算法模

型與編譯，以實(shí)現(xiàn)高性能、低功

耗、低延時(shí)的目標(biāo)，推動(dòng)“直道

追趕”和“換道超車”雙線并

行，積極搶占集成電路技術(shù)創(chuàng)新

競(jìng)爭(zhēng)高地，增強(qiáng)智能機(jī)器人核心

芯片技術(shù)鏈、產(chǎn)業(yè)鏈自主可控

能力。

（二）實(shí)現(xiàn)經(jīng)濟(jì)高質(zhì)量發(fā)展的

重要支撐

智能機(jī)器人是集成眾多領(lǐng)域

技術(shù)的高端裝備，是產(chǎn)業(yè)間技術(shù)

融合和創(chuàng)新的產(chǎn)物，核心芯片技

術(shù)的發(fā)展能夠提升智能機(jī)器人的

作業(yè)能力與適應(yīng)能力，進(jìn)一步釋

放智能機(jī)器人的需求，從而帶動(dòng)

整條產(chǎn)業(yè)鏈的技術(shù)升級(jí)和產(chǎn)品結(jié)

構(gòu)優(yōu)化，對(duì)實(shí)體經(jīng)濟(jì)振興起到明

顯效果，進(jìn)而成為經(jīng)濟(jì)脫虛向?qū)?/p>

的重要手段。大力發(fā)展智能機(jī)器

人及其核心芯片技術(shù)能夠帶動(dòng)制

造業(yè)的全面提升，成為制造強(qiáng)國(guó)

建設(shè)的突破口。此外，作為信息

革命的代表性產(chǎn)業(yè)，智能機(jī)器人

核心芯片產(chǎn)業(yè)的發(fā)展能夠進(jìn)一步

整 合 大 數(shù) 據(jù)、 云 計(jì) 算、 物 聯(lián) 網(wǎng)，

觀點(diǎn) VIEWPOINT

014 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

5G 通信等新興技術(shù)，構(gòu)建新型工

業(yè)體系，成為推動(dòng)我國(guó)經(jīng)濟(jì)高質(zhì)

量發(fā)展的“火車頭”。

（三）滿足人民對(duì)美好生活需

要的重要保障

我國(guó)社會(huì)的主要矛盾已轉(zhuǎn)

化為人民日益增長(zhǎng)的美好生活需

要和不平衡不充分發(fā)展之間的矛

盾。智能機(jī)器人核心芯片技術(shù)的

發(fā)展能夠提升智能機(jī)器人的應(yīng)用

范圍，大大提升社會(huì)生產(chǎn)力，將

人民從重復(fù)機(jī)械性勞動(dòng)中解脫出

來，創(chuàng)造更多更高層次與質(zhì)量的

工作崗位；智能機(jī)器人適應(yīng)性的

提升也能加大特種作業(yè)需求，使

人遠(yuǎn)離危險(xiǎn)作業(yè)任務(wù)，如何在消

防、治安、搜救、排爆等工作中

發(fā)揮出重要作用；智能機(jī)器人的

大規(guī)模利用能夠有效提升生產(chǎn)效

率，從而減少生產(chǎn)過程中的消耗

和污染。推動(dòng)智能機(jī)器人產(chǎn)業(yè)的

發(fā)展，能夠有效節(jié)約資源、減少

排放，成為建設(shè)“兩型社會(huì)”的

重要支撐。

（四）提升國(guó)家核心競(jìng)爭(zhēng)力的

重要載體

大力推進(jìn)智能機(jī)器人核心芯

片技術(shù)與產(chǎn)業(yè)的發(fā)展，有助于保

障我國(guó)國(guó)防安全、搶占全球科技

制高點(diǎn)，從而有效提升國(guó)家核心

競(jìng)爭(zhēng)力。目前無(wú)人化戰(zhàn)爭(zhēng)已逐步

成為現(xiàn)代戰(zhàn)爭(zhēng)的主流，無(wú)人系統(tǒng)

作為一類具備自主移動(dòng)能力的智

能機(jī)器人，其態(tài)勢(shì)感知、規(guī)劃決

策、多機(jī)協(xié)同、運(yùn)動(dòng)控制等都離

不開智能機(jī)器人核心芯片的計(jì)算

處理能力，本項(xiàng)目的研究有助于

推動(dòng)軍事智能化的發(fā)展，推動(dòng)我

國(guó)國(guó)防現(xiàn)代化進(jìn)程。而機(jī)器人核

心芯片作為新一輪科技革命的典

型產(chǎn)品，是衡量國(guó)家科技創(chuàng)新實(shí)

力的重要標(biāo)志，目前我國(guó)在這個(gè)

方面具有很大的發(fā)展?jié)摿?，大?/p>

發(fā)展機(jī)器人核心芯片能夠快速推

動(dòng)我國(guó)相關(guān)高技術(shù)產(chǎn)業(yè)發(fā)展，提

升國(guó)家核心競(jìng)爭(zhēng)力。

三、智能機(jī)器人核心芯片的國(guó)

際發(fā)展現(xiàn)狀

（一）政策規(guī)劃方面

近年來，全球性的芯片短缺

給所有智能化產(chǎn)業(yè)都帶來了嚴(yán)重

的影響，世界各主要發(fā)達(dá)國(guó)家和

地區(qū)針對(duì)芯片發(fā)展制定了一系列

政策規(guī)劃，圍繞技術(shù)革新、接口

標(biāo)準(zhǔn)、財(cái)政計(jì)劃等全面布局，搶

占芯片技術(shù)發(fā)展主導(dǎo)權(quán)。

美 國(guó) 2020 年 推 出《2020 美

國(guó)晶圓代工法案》，建議國(guó)會(huì)收緊

芯片制造技術(shù)的瓶頸，以防止中

國(guó)在未來幾年內(nèi)超越美國(guó)。隨后

又推出《2021 年美國(guó)創(chuàng)新與競(jìng)爭(zhēng)

法案》（USICA）主張對(duì)我國(guó)采取

強(qiáng)硬的反制措施，提高美國(guó)與中

國(guó)科技競(jìng)爭(zhēng)的能力。歐盟委員會(huì)

2020 年發(fā)表了《歐洲處理器和半

導(dǎo)體科技計(jì)劃聯(lián)合聲明》，預(yù)計(jì)投

入 1450 億歐元助力半導(dǎo)體產(chǎn)業(yè)發(fā)

展。日本 2020 年發(fā)布了“綠色增

長(zhǎng)戰(zhàn)略”，將半導(dǎo)體產(chǎn)業(yè)作為重點(diǎn)

發(fā)展領(lǐng)域。韓國(guó) 2020 年宣布，將

在 未 來 5 年 內(nèi) 投 資 950 萬(wàn) 美 元，

發(fā)展 5 nm 以下半導(dǎo)體光刻工藝的

材料技術(shù)。

各傳統(tǒng)芯片強(qiáng)國(guó)意圖依靠其

豐富的經(jīng)驗(yàn)，強(qiáng)大的創(chuàng)新能力，

以及雄厚的經(jīng)濟(jì)實(shí)力，在政策法

規(guī)的引導(dǎo)下，憑借國(guó)家戰(zhàn)略達(dá)成

各方共識(shí)，將優(yōu)勢(shì)資源引導(dǎo)至芯

片領(lǐng)域，從而引領(lǐng)新一輪科技革

命，進(jìn)一步加強(qiáng)其競(jìng)爭(zhēng)優(yōu)勢(shì)。

（二）技術(shù)方面

在新一輪科技革命的浪潮中，

機(jī)器人的應(yīng)用場(chǎng)景與作業(yè)需求日

益復(fù)雜，對(duì)其環(huán)境感知、決策規(guī)

劃、導(dǎo)航定位、運(yùn)動(dòng)控制的算法

算力提出了更高的要求。目前基

于通用嵌入式處理器和可編程邏

輯控制器的計(jì)算系統(tǒng)，不能滿足

未來機(jī)器人的感知能力、認(rèn)知能

力、 靈 敏 運(yùn) 動(dòng) 能 力 需 求。 因 此，

亟需研發(fā)新形勢(shì)下機(jī)器人核心芯

片，融合最新的人工智能算法，

提升機(jī)器人智能自主能力。

在機(jī)器人智能算法方面，人

工智能的賦能帶來了突飛猛進(jìn)式

的發(fā)展：

① 人工智能提高環(huán)境感知效

率。面向目標(biāo)識(shí)別，提出了諸如

SSD、YOLO、R-CNN 等系列經(jīng)

典框架，讓智能機(jī)器人可以模擬

人類大腦的計(jì)算方式，依靠多層

卷積神經(jīng)網(wǎng)絡(luò)大幅增強(qiáng)感知環(huán)境

能力；

② 人工智能提升規(guī)劃決策能

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 015

力。人工智能技術(shù)的迅速發(fā)展大

大提升了智能機(jī)器人規(guī)劃決策的

自 主 性， 面 向 高 動(dòng) 態(tài)、 高 復(fù) 雜、

強(qiáng)對(duì)抗環(huán)境依然能夠正常開展作

業(yè)任務(wù)；

③ 人工智能強(qiáng)化多機(jī)協(xié)同能

力。以“機(jī)動(dòng)能量和信息互聯(lián)”

為基礎(chǔ)、圍繞“模型算法與數(shù)據(jù)

計(jì)算”的核心，智能機(jī)器人能夠

實(shí)現(xiàn)自主作業(yè)為主，人機(jī)協(xié)同、

機(jī)機(jī)協(xié)同的合作，這將成為未來

智能機(jī)器人運(yùn)用的主要方式。人

工智能技術(shù)在互操作、自主決策、

集群控制算法等方面提供了強(qiáng)大

的技術(shù)支撐。

在智能機(jī)器人計(jì)算硬件方面，

正面臨摩爾定律失效的問題，并

逐步朝著高能效、專用化、定制

化等多元方向發(fā)展：

① 在通用人工智能芯片架構(gòu)

上，逐漸向類腦化和神經(jīng)形態(tài)演

化。2019 年清華大學(xué)發(fā)布全球首

款異構(gòu)融合類腦芯片——“天機(jī)”，

讓自行車真正實(shí)現(xiàn)自動(dòng)行駛，登

上 Nature 封面；

② 在制造工藝上，芯片制造

進(jìn) 入 原 子 時(shí) 代。2021 年 湖 南 大

學(xué)、韓國(guó)三星高等技術(shù)研究院等

在 Nature 上發(fā)表綜述文章，文章

討論了二維半導(dǎo)體和傳統(tǒng)三維半

導(dǎo)體的關(guān)鍵材料參數(shù)，總結(jié)了推

動(dòng)二維晶體管極限的途徑；

③ 在芯片設(shè)計(jì)上，未來人工

智 能（AI） 自 動(dòng) 設(shè) 計(jì) 或 將 實(shí) 現(xiàn)。

2021 年谷歌大腦團(tuán)隊(duì)聯(lián)合斯坦福

大學(xué)在 Nature 上發(fā)表一篇論文，

基于 AI 的芯片設(shè)計(jì)方法進(jìn)行了

改進(jìn)，并將其應(yīng)用于 Google I/O

2021 大會(huì)上正式發(fā)布的下一代張

量處理單元（TPU v4）加速器的

產(chǎn)品中。

在機(jī)器人智能算法與芯片硬

件融合方面，類腦芯片是一種具

有天然高能效優(yōu)勢(shì)的智能算法實(shí)

體化解決方案。眾所周知，算法、

算力與數(shù)據(jù)是人工智能技術(shù)發(fā)展

的三架馬車，人工智能技術(shù)的引

入增強(qiáng)了機(jī)器人的算法效能，各

類傳感器為機(jī)器人引入了海量的

數(shù)據(jù)，類腦芯片的出現(xiàn)成為了承

接算法與數(shù)據(jù)的載體。智能機(jī)器

人芯片信息處理單元的架構(gòu)也逐

漸向仿生大腦結(jié)構(gòu)的方向轉(zhuǎn)變，

“存算一體”的類腦芯片成為了人

工智能技術(shù)創(chuàng)新的基礎(chǔ)，在運(yùn)行

一些智能算法上具有高能效優(yōu)勢(shì)。

其底端的非易失性核心器件也正

逐步取代易失性核心器件，從而

更好地實(shí)現(xiàn)非結(jié)構(gòu)化環(huán)境和復(fù)雜

任務(wù)的智能計(jì)算功能。

（三）產(chǎn)業(yè)方面

智能機(jī)器人核心芯片技術(shù)涉

及到半導(dǎo)體、機(jī)器人以及人工智

能等多個(gè)產(chǎn)業(yè)。在半導(dǎo)體領(lǐng)域，

加工制造設(shè)備的市場(chǎng)集中度較高，

荷蘭、美國(guó)、日本的企業(yè)壟斷了

全球芯片制造市場(chǎng)超過 9 成的份

額。在芯片產(chǎn)業(yè)鏈上，國(guó)外整體

上都處于強(qiáng)勢(shì)地位，在芯片設(shè)計(jì)、

制造、封測(cè)上中下三個(gè)主要環(huán)節(jié)

都占據(jù)著主導(dǎo)地位。機(jī)器人方面，

目前工業(yè)機(jī)器人巨頭企業(yè)主要集

中在日本、美國(guó)、德國(guó)等工業(yè)發(fā)

達(dá)國(guó)家。

因此，國(guó)際上智能機(jī)器人核

心芯片產(chǎn)業(yè)已經(jīng)形成了一系列商

業(yè)化平臺(tái)。2017 年 11 月，英特

爾 中 國(guó) 研 究 院 正 式 發(fā) 布 HERO

機(jī) 器 人 平 臺(tái)， 是 專 為 智 能 機(jī) 器

人（包括服務(wù)機(jī)器人、醫(yī)療機(jī)器

人、自動(dòng)駕駛汽車等）打造的一

套 低 功 耗、 高 性 能、 體 積 小 的

異 構(gòu) 系 統(tǒng) 平 臺(tái) 方 案。 在 該 方 案

中， 中 央 處 理 器（CPU） 作 為

控制中心，與現(xiàn)場(chǎng)可編程邏輯門

陣列（FPGA）和其他專用加速

器芯片搭配，能夠提供優(yōu)異的性

能。2018 年 12 月，英偉達(dá)發(fā)布

世界首款專為機(jī)器人設(shè)計(jì)的芯片

Jetson AGX Xavier。 作 為 首

款專為自主機(jī)器設(shè)計(jì)的計(jì)算機(jī)，

Jetson AGX Xavier 的性能足以

完成視覺測(cè)距、傳感器融合、定

位與建圖、障礙物檢測(cè)以及對(duì)新

一代機(jī)器人至關(guān)重要的路線規(guī)劃

等任務(wù)。2020 年 6 月，美國(guó)高通

推出迭代產(chǎn)品機(jī)器人 RB5 平臺(tái)，

成為高通專為機(jī)器人設(shè)計(jì)的最先

進(jìn)和高集成度整體解決方案，其

在 RB3 基礎(chǔ)上提供了豐富的硬件、

軟件和開發(fā)工具組合，助力開發(fā)

者與廠商研制具有低功耗、高算

力的下一代智能機(jī)器人，滿足消

費(fèi)級(jí)、企業(yè)級(jí)、工業(yè)級(jí)以及專業(yè)

服務(wù)領(lǐng)域的要求。

觀點(diǎn) VIEWPOINT

016 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

四、我國(guó)發(fā)展智能機(jī)器人核心

芯片的基礎(chǔ)優(yōu)勢(shì)及面臨的問題

（一）基礎(chǔ)優(yōu)勢(shì)

1. 我國(guó)積極營(yíng)造智能機(jī)器人

核心芯片發(fā)展環(huán)境

國(guó)家歷來重視基礎(chǔ)科技和高

新技術(shù)產(chǎn)業(yè)的發(fā)展，在歷次國(guó)家頂

層宏觀政策中，都重點(diǎn)突出對(duì)機(jī)器

人 / 芯片等高新技術(shù)產(chǎn)業(yè)的支持。

2021 年 3 月發(fā)布的《中華人民共

和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)

五年規(guī)劃和 2035 年遠(yuǎn)景目標(biāo)綱要》

中更是提出在科技前沿領(lǐng)域要攻關(guān)

集成電路技術(shù)，推動(dòng)集成電路、機(jī)

器人等產(chǎn)業(yè)創(chuàng)新發(fā)展，提升制造業(yè)

核心競(jìng)爭(zhēng)力。與此同時(shí)，國(guó)家相

關(guān)部委也在專項(xiàng)規(guī)劃、政策扶持、

進(jìn)出口投資、區(qū)域發(fā)展和產(chǎn)業(yè)配

套等方面提出了一系列政策文件，

為國(guó)內(nèi)機(jī)器人 / 芯片產(chǎn)業(yè)發(fā)展培育

市場(chǎng)和人才提供政策與資金保障。

相較于其他國(guó)家，中國(guó)特色社會(huì)

主義制度也能夠最大限度地整合

社會(huì)資源，通過宏觀調(diào)控、政策

規(guī)劃、金融財(cái)政等手段集中力量

辦大事，為智能機(jī)器人核心芯片

發(fā)展保駕護(hù)航。

2. 我國(guó)巨大的內(nèi)需市場(chǎng)為智能

機(jī)器人核心芯片發(fā)展提供強(qiáng)大動(dòng)力

目前我國(guó)芯片市場(chǎng)規(guī)模正在

擴(kuò)大，芯片產(chǎn)值逐年增加。統(tǒng)計(jì)

顯示，在過去的五年時(shí)間中，我

國(guó)芯片產(chǎn)業(yè)年復(fù)合增值率超過了

21%，達(dá)到了同期全球增速的近 5

倍。依據(jù)世界半導(dǎo)體行業(yè)協(xié)會(huì)的

統(tǒng)計(jì)，我國(guó)市場(chǎng)規(guī)模實(shí)現(xiàn)了跨越

式的快速增長(zhǎng)，市場(chǎng)份額達(dá)到了

50.7%，高居全球第一。中國(guó)已經(jīng)

成為了全球芯片市場(chǎng)不可或缺的

重要組成。據(jù)有關(guān)部門統(tǒng)計(jì)，近

年來我國(guó)機(jī)器人產(chǎn)業(yè)體系年均復(fù)

合增長(zhǎng)率超過 15%，產(chǎn)業(yè)規(guī)模也

已 突 破 1000 億 元。 而 集 成 應(yīng) 用

的大幅拓展，使得國(guó)內(nèi)制造業(yè)機(jī)

器人密度早在 2019 年就已達(dá)到

187 臺(tái) / 萬(wàn)人，明顯高于全球平均

水平。在服務(wù)機(jī)器人領(lǐng)域，市場(chǎng)

擴(kuò)張速度更加迅猛。據(jù)相關(guān)資料

顯 示，2013 —2021 年 全 球 服 務(wù)

機(jī)器人銷售額年均復(fù)合增長(zhǎng)率為

19.2%，2021 年其所占機(jī)器人市

場(chǎng)的比重就已達(dá) 36%。巨大的內(nèi)

需市場(chǎng)是智能機(jī)器人核心芯片產(chǎn)

業(yè)發(fā)展的最強(qiáng)動(dòng)力。

3. 我國(guó)擁有最為完整的工業(yè)

體系，具備良好的產(chǎn)業(yè)基礎(chǔ)

中國(guó)是全球最大的制造業(yè)國(guó)

家，工業(yè)門類齊全，擁有聯(lián)合國(guó)

工業(yè)分類中 39 個(gè)工業(yè)大類、191

個(gè)工業(yè)中類、525 個(gè)工業(yè)小類的

完整工業(yè)體系，產(chǎn)值規(guī)模高居世

界第一。完整的工業(yè)體系能夠大

大降低生產(chǎn)成本，提高生產(chǎn)效率，

為智能機(jī)器人核心芯片產(chǎn)業(yè)的發(fā)

展提供底層支撐。芯片關(guān)聯(lián)產(chǎn)業(yè)

尤其是機(jī)器人產(chǎn)業(yè)鏈水平持續(xù)提

升，我國(guó)機(jī)器人產(chǎn)業(yè)規(guī)模得到快

速增長(zhǎng)并已初步形成較為完整的

機(jī)器人產(chǎn)業(yè)體系，機(jī)器人行業(yè)發(fā)

展水平已進(jìn)入世界第一方陣，隨

著中國(guó) 5G、人工智能、云計(jì)算等

“新基建”的快速發(fā)展，將進(jìn)一步

加快智能機(jī)器人核心芯片產(chǎn)業(yè)的

發(fā)展。

4. 我 國(guó) 高 學(xué) 位 的“ 人 口 紅

利”，形成獨(dú)特的人力資源優(yōu)勢(shì)

我國(guó)在科學(xué)、技術(shù)、工程和

數(shù)學(xué)領(lǐng)域（STEM）的畢業(yè)生常

年高居世界首位，據(jù)《中國(guó)科技

人才發(fā)展報(bào)告（2020）》顯示，我

國(guó)研究與試驗(yàn)發(fā)展人員數(shù)量快速

增 長(zhǎng)， 年 均 增 速 超 過 7%， 截 至

2020 年， 人 數(shù) 達(dá) 到 了 509.2 萬(wàn)，

連 續(xù) 多 年 居 世 界 第 一?！?中 國(guó) 集

成電路產(chǎn)業(yè)人才白皮書（2019 —

2020 年版）》的統(tǒng)計(jì)顯示，截至

2019 年年底，中國(guó)集成電路行業(yè)

的直接從業(yè)人員規(guī)模達(dá)到了 51.19

萬(wàn)人。根據(jù)當(dāng)前的發(fā)展態(tài)勢(shì)以及

人 均 產(chǎn) 值 計(jì) 算， 截 至 2022 年 年

底，該行業(yè)人才需求將突破 74.45

萬(wàn)人。2021 年國(guó)內(nèi)各大高校集成

電路學(xué)院也如雨后春筍般成立，

其中包括多所國(guó)家“雙一流”建

設(shè)高校。從中長(zhǎng)期看，基于持續(xù)

的工程師紅利和世界前列的人工

智能技術(shù)優(yōu)勢(shì)，中國(guó)有望比肩發(fā)

達(dá)國(guó)家，引領(lǐng)未來機(jī)器人及芯片

產(chǎn)業(yè)的發(fā)展。

5. 國(guó)內(nèi)智能機(jī)器人芯片產(chǎn)業(yè)

邁出升級(jí)新步伐

近年來，我國(guó)機(jī)器人核心芯

片產(chǎn)業(yè)在政策支持與市場(chǎng)需求的

帶動(dòng)下正快速發(fā)展。目前國(guó)內(nèi)在

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 017

芯片設(shè)計(jì)、芯片制造和機(jī)器人應(yīng)

用等方面涌現(xiàn)了一批優(yōu)秀企業(yè)。

芯片設(shè)計(jì)領(lǐng)域是國(guó)內(nèi)發(fā)展最成熟，

技術(shù)最全面，也是和國(guó)際一流水

平最接近的領(lǐng)域。主要有深圳市

海思半導(dǎo)體有限公司、中科寒武

紀(jì)科技股份有限公司、北京地平

線機(jī)器人技術(shù)研發(fā)有限公司等芯

片設(shè)計(jì)公司。在芯片制造領(lǐng)域我

國(guó)與世界領(lǐng)先水平還存在較大差

距，但也在這個(gè)領(lǐng)域站穩(wěn)了腳跟，

目前中芯國(guó)際集成電路制造（上

海）有限公司、上海華虹（集團(tuán)）

有限公司和合肥晶和集成電路股

份有限公司三家公司位列全球芯

片制造代工企業(yè)十強(qiáng)。在機(jī)器人

領(lǐng)域我國(guó)也有長(zhǎng)足的進(jìn)步，隨著

市場(chǎng)進(jìn)一步擴(kuò)增，政策、研發(fā)投

入力度持續(xù)加大，我國(guó)機(jī)器人發(fā)

展迅速走強(qiáng)，出現(xiàn)了深圳市大疆

創(chuàng)新科技有限公司、埃夫特智能

裝備股份有限公司，沈陽(yáng)新松機(jī)

器人自動(dòng)化股份有限公司等一大

批領(lǐng)域內(nèi)的優(yōu)秀企業(yè)。這些公司

的快速發(fā)展，展示了我國(guó)智能機(jī)

器人芯片產(chǎn)業(yè)邁出新步伐。

（二）面臨要問題

雖然我國(guó)在智能機(jī)器人核心

芯片方面已經(jīng)取得了顯著的成效，

但對(duì)比全球產(chǎn)業(yè)同期發(fā)展現(xiàn)狀，為

實(shí)現(xiàn)相關(guān)技術(shù)、產(chǎn)業(yè)自主可控，仍

然存在著一系列問題需要克服。

1. 針對(duì)性的頂層設(shè)計(jì)缺失，

戰(zhàn)略目標(biāo)不清晰

國(guó)家全局的頂層戰(zhàn)略如“全

面 深 化 改 革 ”“ 中 國(guó) 制 造 2025”

“十四五規(guī)劃”均對(duì)智能機(jī)器人芯

片發(fā)展具有重要意義。然而，智

能機(jī)器人芯片由于與機(jī)器人技術(shù)

以及芯片技術(shù)關(guān)系緊密，具有其

獨(dú)特的發(fā)展規(guī)律，上述國(guó)家全局

戰(zhàn)略對(duì)于智能機(jī)器人芯片領(lǐng)域發(fā)

展難以起到精準(zhǔn)戰(zhàn)略指導(dǎo)作用。

近幾年，國(guó)家陸續(xù)出臺(tái)多項(xiàng)政策

支持機(jī)器人和人工智能芯片產(chǎn)業(yè)

發(fā)展，尤其是 2009 年后政府明

顯加快了政策措施出臺(tái)速度和力

度，從頂層設(shè)計(jì)、財(cái)稅金融、示

范應(yīng)用、人才培養(yǎng)等多角度發(fā)

力支持機(jī)器人產(chǎn)業(yè)發(fā)展，政策疊

加效應(yīng)為我國(guó)機(jī)器人產(chǎn)業(yè)營(yíng)造了

良好的發(fā)展氛圍。然而，各部委

制定的機(jī)器人和人工智能產(chǎn)業(yè)政

策與當(dāng)前智能機(jī)器人以及其核心

芯片的關(guān)聯(lián)性不完全匹配，缺乏

針對(duì)智能機(jī)器人芯片的指向性政

策，難以起到整體戰(zhàn)略的引領(lǐng)

作用。

2. 多個(gè)技術(shù)環(huán)節(jié)自主可控率

普遍較低，受制于人

國(guó)外智能機(jī)器人芯片的設(shè)計(jì)、

制造、測(cè)試、生態(tài)構(gòu)建等，由于

發(fā)展較早，技術(shù)壁壘較高，而國(guó)

內(nèi)起步較晚，且嚴(yán)重依賴進(jìn)口，

關(guān)鍵核心環(huán)節(jié)難以實(shí)現(xiàn)自主可控，

諸多方面技術(shù)難題亟需突破。主

要問題在于平臺(tái)核心支撐能力不

足，缺少支撐智能機(jī)器人芯片技

術(shù)跨領(lǐng)域、跨行業(yè)的互聯(lián)互通的

平臺(tái)和集成開發(fā)環(huán)境；核心軟硬

件產(chǎn)業(yè)基礎(chǔ)薄弱，對(duì)國(guó)外產(chǎn)品依

賴度高，特別是電子設(shè)計(jì)自動(dòng)化

（EDA）、知識(shí)產(chǎn)權(quán)（IP）核、光

刻機(jī)、硅晶圓、光刻膠等環(huán)節(jié)產(chǎn)

業(yè)基礎(chǔ)薄弱，自主可控率非常低

（≤ 5%），幾乎全部依賴進(jìn)口；當(dāng)

前我國(guó)芯片設(shè)計(jì)業(yè)發(fā)展迅速但總

體小而分散，僅有三家公司營(yíng)收

過百億，與國(guó)際領(lǐng)先的高通公司、

博通公司超 1000 億元的營(yíng)收差

距依舊很大，存在著多而不強(qiáng)，

大而不強(qiáng)，快而不優(yōu)的問題，制

約了智能機(jī)器人系統(tǒng)芯片技術(shù)的

發(fā)展。

3. 高層次人才短缺嚴(yán)重，學(xué)

科發(fā)展不平衡

隨著芯片行業(yè)的持續(xù)發(fā)展，

我國(guó)迫切需要一大批芯片行業(yè)領(lǐng)

軍者。但由于各種內(nèi)外因素，特

別是外國(guó)政府和領(lǐng)先的國(guó)際企業(yè)

的限制。海外的高層次領(lǐng)軍人才

很少回國(guó)效力。國(guó)內(nèi)高層次人才

短缺嚴(yán)重的原因一方面是由于國(guó)

內(nèi)芯片產(chǎn)業(yè)發(fā)展時(shí)間段，經(jīng)驗(yàn)不

足，在技術(shù)創(chuàng)新、產(chǎn)品研發(fā)、制

造 管 理 等 方 面 的 產(chǎn) 業(yè) 人 才 缺 乏；

另一方面是芯片專業(yè)的人才培養(yǎng)

需要雄厚的學(xué)術(shù)基礎(chǔ)，開設(shè)相關(guān)

專業(yè)的師資隊(duì)伍不齊全，沒有足

夠數(shù)量的高校，難以有效滿足快

速擴(kuò)張的芯片制造企業(yè)對(duì)人才的

龐大需求。

4. 各行業(yè)環(huán)節(jié)發(fā)展不均衡，

核心技術(shù)儲(chǔ)備不足

我國(guó)智能機(jī)器人芯片企業(yè)普

觀點(diǎn) VIEWPOINT

018 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

遍弱小而分散，產(chǎn)品線少，資金

實(shí)力不強(qiáng)，未形成合力，綜合競(jìng)

爭(zhēng)力遠(yuǎn)弱于國(guó)外芯片企業(yè)，并且

國(guó)內(nèi)產(chǎn)品仍然主要集中在中低端

市場(chǎng)，很多高端芯片核心技術(shù)仍

待攻關(guān)突破和創(chuàng)新引領(lǐng)。國(guó)內(nèi)在

智能機(jī)器人芯片 EDA 設(shè)計(jì)工具、

芯片體系架構(gòu)、芯片制造工藝、

關(guān)鍵原材料以及軟硬件生態(tài)等芯

片產(chǎn)業(yè)鏈核心環(huán)節(jié)，尚無(wú)法脫離

國(guó)外核心技術(shù)，尤其是高端芯片

EDA 設(shè)計(jì)工具與高工藝光刻機(jī)必

須依賴進(jìn)口，國(guó)內(nèi)在打通整個(gè)智

能機(jī)器人芯片產(chǎn)業(yè)鏈方面還有很

長(zhǎng)一段路要走。

五、我國(guó)智能機(jī)器人核心芯片

技術(shù)發(fā)展路線論證分析

智能機(jī)器人有相對(duì)發(fā)達(dá)的

“大腦”，在腦中起主要作用的是

CPU。智能機(jī)器人智能程度的提高

依賴于芯片處理能力的增強(qiáng)，現(xiàn)實(shí)

是我國(guó)智能機(jī)器人系統(tǒng)芯片，特別

是處理功能芯片等關(guān)鍵部件存在自

給率低、性能不高等突出問題。因

此，提出可行的智能機(jī)器人自主可

控專用芯片技術(shù)發(fā)展路線，對(duì)解決

機(jī)器人發(fā)展的“卡脖子”問題，提

高我國(guó)機(jī)器人的智能化和安全性具

有重要的產(chǎn)業(yè)價(jià)值和戰(zhàn)略意義。

（一）技術(shù)體系框架

本文從智能機(jī)器人處理功能

的芯片純?cè)O(shè)計(jì)方面著手，進(jìn)行算

法芯片化設(shè)計(jì)技術(shù)體系規(guī)劃。該

技術(shù)體系建議：從現(xiàn)有技術(shù)基礎(chǔ)

（科學(xué)研究和產(chǎn)業(yè)技術(shù)）出發(fā)，剖

析機(jī)器人關(guān)鍵算法，澄清關(guān)鍵算

法芯片化技術(shù)，結(jié)合特定應(yīng)用領(lǐng)

域技術(shù)，開展算法、電路、架構(gòu)、

系統(tǒng)的軟硬件協(xié)同設(shè)計(jì)研究，在

技術(shù)節(jié)點(diǎn)不占優(yōu)勢(shì)的前提下，通

過其他層面的變革性創(chuàng)新實(shí)現(xiàn)系

統(tǒng)性能提升，并試圖找到我國(guó)智

能機(jī)器人系統(tǒng)芯片自主可控發(fā)展

的最優(yōu)方案。

（二）多架構(gòu)路線全面推進(jìn)智

能機(jī)器人核心芯片發(fā)展

算法是決定機(jī)器人功能的

重要因素，如果把機(jī)器人與人類

比，可以說算法相當(dāng)于人類的智

慧與靈魂思想。按照功能類別來

分，主流機(jī)器人算法主要可分為

感知算法、規(guī)劃算法、控制算法

等幾類。未來的智能機(jī)器人發(fā)展

需要先進(jìn)的算法，同時(shí)應(yīng)著重于

芯片的能效比，因此，通過軟硬

件協(xié)同的算法芯片化設(shè)計(jì)是趨勢(shì)，

也是以差異化方式實(shí)現(xiàn)我國(guó)智能

機(jī)器人系統(tǒng)芯片自主可控的必經(jīng)

途徑。

為推動(dòng)智能機(jī)器人核心芯片

發(fā)展，建議采用以下幾類處理技

術(shù)體系模式（異構(gòu)并行方式）的

并 行 發(fā) 展 路 線。CPU 作 為 計(jì) 算

系統(tǒng)（智能機(jī)器人也屬于一種計(jì)

算系統(tǒng)）的運(yùn)算和控制核心，是

信息處理、程序運(yùn)行的最終執(zhí)行

單元，它是對(duì)系統(tǒng)內(nèi)的所有硬件

資源進(jìn)行控制調(diào)配、執(zhí)行通用運(yùn)

算的核心硬件單元。本文從處理

角度出發(fā)，所有技術(shù)路線都包含

CPU 作為主處理器。其中，圖形

處理器（GPU）、FPGA 均是前期

較為成熟的芯片架構(gòu)，屬于通用型

芯片。專用集成電路（ASIC）屬

于為 AI 特定場(chǎng)景定制的芯片，可

將 ASIC 分為全數(shù)字 ASIC AI 芯

片和數(shù)模混合存算一體 AI 芯片。

1. 路線 1：CPU 主處理器 +

GPU 協(xié)處理器

AI 算法均可以通過 CPU 實(shí)

現(xiàn)，但 CPU 缺乏并行性，對(duì)于 AI

算法中需要大量的并行計(jì)算方式

并不友好。GPU 則具備并行的處

理能力，也是目前實(shí)現(xiàn) AI 計(jì)算最

廣泛的方式。

2. 路線 2：CPU 主處理器 +

FPGA 協(xié)處理器

FPGA 可設(shè)計(jì)為非馮·諾依

曼架構(gòu)，使得其在運(yùn)算單元和存

儲(chǔ)單元間的信息交換量大幅降低，

因此具有流水線處理和響應(yīng)迅速

的特點(diǎn)。

3. 路線 3：CPU 主處理器 +

ASIC 協(xié)處理器

AI 算 法 穩(wěn) 定 后，AI 芯 片 可

采用 ASIC 設(shè)計(jì)方法進(jìn)行全定制，

使性能、功耗和面積等指標(biāo)面向

深度學(xué)習(xí)算法做到最優(yōu)。

（1）路線3.1：CPU主處理器+

全 數(shù) 字 ASIC AI 協(xié) 處 理 器。AI

算法中很多的乘累加操作（MAC）

可采用“類存算一體”方式進(jìn)行

全數(shù)字 ASIC 設(shè)計(jì)，具有更高的能

效性能。

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 019

（2） 路 線 3.2：CPU 主 處 理

器 + 數(shù)?；旌洗嫠阋惑w AI 協(xié)處理

器。通用處理架構(gòu)存在馮·諾依曼

瓶頸，即運(yùn)算與存儲(chǔ)分離，導(dǎo)致大

部分的能量消耗在運(yùn)算單元和存儲(chǔ)

單元的通信上。成熟非易失性存儲(chǔ)

器件或新興非易失性存儲(chǔ)器件結(jié)

合交叉陣列架構(gòu)具有天然的一步

實(shí)現(xiàn) AI 算法中密集的 MAC 操作

的特性，從而具有實(shí)現(xiàn)完全“存

算一體”新計(jì)算范式的能力。

（三）技術(shù)路徑與技術(shù)方案

分析

分析智能機(jī)器人系統(tǒng)芯片技

術(shù)路線，其實(shí)就是分析路線中協(xié)

處理器運(yùn)行 AI 算法的特點(diǎn)和他們

的自主程度，智能機(jī)器人系統(tǒng)芯

片自主可控技術(shù)路線分析如下。

1. 路線 1：CPU 主處理器 +

GPU 協(xié)處理器

該路線是目前最成熟、最易

于實(shí)現(xiàn)相對(duì)自主可控的方式，短

期可通過自研算法實(shí)現(xiàn)相對(duì)自主

可控，長(zhǎng)期需自研芯片實(shí)現(xiàn)自主

可控。但也應(yīng)該注意存在一定的

風(fēng)險(xiǎn)，因?yàn)閲?guó)產(chǎn) CPU 沒有自主指

令集系統(tǒng)，并不能說是完全的自

主可控產(chǎn)品，而景嘉微電子股份

有限公司作為唯一的自主 GPU 生

產(chǎn)商，競(jìng)爭(zhēng)風(fēng)險(xiǎn)過于集中。

CPU 和 GPU 都 是 通 用 處 理

器，技術(shù)成熟，國(guó)外有先發(fā)優(yōu)勢(shì)，

國(guó)內(nèi)受到嚴(yán)重的技術(shù)限制，國(guó)內(nèi)

外差距大。雖然在該技術(shù)路線上

很容易被“卡脖子”，但在該技術(shù)

路線上實(shí)現(xiàn)智能機(jī)器人芯片自主

可控非常有必要：一是反哺增強(qiáng)

CPU 和 GPU 的自主可控能力；二

是結(jié)合特定應(yīng)用實(shí)現(xiàn)協(xié)同優(yōu)化提

高智能機(jī)器人芯片的安全性和智

能性。這也是在現(xiàn)階段基礎(chǔ)上最

現(xiàn)實(shí)的技術(shù)路線，針對(duì)特定應(yīng)用

場(chǎng)景，依靠自研算法提升性能，

有利于 AI 算法技術(shù)的提升，以

“直道追趕 + 差異化應(yīng)用”方式突

破封鎖。

2. 路線 2：CPU 主處理器 +

FPGA 協(xié)處理器

理 論 上，F(xiàn)PGA 可 以 實(shí) 現(xiàn) 任

意 ASIC 和數(shù)字信號(hào)處理（DSP）

的邏輯功能。而實(shí)際應(yīng)用中，開發(fā)

人員可通過 FPGA 的 EDA 軟件來

修改芯片，而不是替換和重新設(shè)

計(jì)芯片。FPGA 的開發(fā)流程不涉

及掩模和流片等步驟，使得開發(fā)

周期可以縮減。在當(dāng)前 AI 企業(yè)級(jí)

應(yīng)用中，F(xiàn)PGA 占據(jù)了主導(dǎo)地位。

FPGA 流片成本高昂，實(shí)現(xiàn)

同 樣 的 AI 應(yīng) 用， 制 作 FPGA 芯

片的成本可能會(huì)超過 ASIC 的成

本 10 倍以上。為適應(yīng)下游用戶復(fù)

雜多樣的需求和應(yīng)用，F(xiàn)PGA 的

門電路集成度往往很高，然而具體

到某一應(yīng)用，冗余的門電路會(huì)提升

FPGA 的功耗。在功耗敏感的領(lǐng)域

中，這是非常致命的缺陷。而另

一方面，作為 AI 算法 ASIC 芯片

化的前期驗(yàn)證路線，F(xiàn)PGA 具有

較短的研究周期和較低的成本。

3. 路線 3：CPU 主處理器 +

ASIC 協(xié)處理器

路線 3.1 屬于電路級(jí)“存算一

體”路線，即用數(shù)字“類存算一

體”方式實(shí)現(xiàn) MAC 操作，相對(duì)

于路線 3.2，該路線實(shí)現(xiàn)穩(wěn)定性較

高，但并行性和能效比要低。

路線 3.2 是器件級(jí)“存算一

體 ” 路 線， 即 采 用 的 固 定 存 儲(chǔ)

器（NVM） 本 身 具 有 存 儲(chǔ) 和 計(jì)

算功能，這些器件結(jié)合 Crossbar

array 架 構(gòu) 在 MAC 操 作 上 具 有

天然的優(yōu)勢(shì)，并且單位器件可具

有多級(jí)狀態(tài)，發(fā)展?jié)摿薮蟆?/p>

種 ASIC AI 芯片技術(shù)路線具有針

對(duì)特定應(yīng)用執(zhí)行智能機(jī)器人邊緣

（在機(jī)器人領(lǐng)域，這里邊緣指代近

感知端）部署的潛力，簡(jiǎn)單的任

務(wù)可以自行處理，提高系統(tǒng)效率。

國(guó)外 AI 芯片尚未形成明顯壓倒性

優(yōu)勢(shì)，國(guó)內(nèi)起步不算晚，國(guó)外尚

未完全形成技術(shù)壟斷，有利于在

工藝制程技術(shù)不占優(yōu)勢(shì)的基礎(chǔ)上

實(shí)現(xiàn)系統(tǒng)性能的超越。

總體上，在成熟度方面：路

線 1> 路線 2> 路線 3.1> 路線 3.2

（能效比 / 自主可控）；在潛力方

面：路線 3.2> 路線 3.1> 路線 2>

路線 1（見表 1）。雖然路線 3 的

成熟度相對(duì)較低，但也意味著該

領(lǐng)域存在著更多的技術(shù)自主可控

機(jī)會(huì)，在這些領(lǐng)域也涌現(xiàn)了有代

表性的中國(guó)公司。建議加大力度

布局前沿技術(shù)研究，實(shí)現(xiàn)“換道

超車”。同時(shí)，在通用芯片領(lǐng)域受

限于摩爾定律放緩，而機(jī)器學(xué)習(xí)

觀點(diǎn) VIEWPOINT

020 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

規(guī)模指數(shù)級(jí)增長(zhǎng)的機(jī)遇下，緊抓

高端芯片先進(jìn)工藝制程關(guān)鍵、核

心技術(shù)攻關(guān)，由“直道追趕”到

“直道趕超”。全面布局，為實(shí)現(xiàn)

智能機(jī)器人系統(tǒng)芯片自主可控打

下堅(jiān)實(shí)的基礎(chǔ)。

六、我國(guó)智能機(jī)器人核心芯片

發(fā)展思路、重點(diǎn)任務(wù)與戰(zhàn)略目標(biāo)

（一）基本策略

緊密圍繞解決智能機(jī)器人芯

片“卡脖子”難題，服務(wù)我國(guó)科技

穩(wěn)步快速發(fā)展的總目標(biāo)，在分析總

結(jié)國(guó)內(nèi)外芯片產(chǎn)業(yè)發(fā)展態(tài)勢(shì)、發(fā)展

方向，調(diào)研我國(guó)在機(jī)器人芯片領(lǐng)域

所存在的優(yōu)勢(shì)和不足的基礎(chǔ)上，提

出以下五個(gè)方面的發(fā)展思路。

直面困難，自力更生。當(dāng)前

國(guó)際形勢(shì)風(fēng)云變幻，國(guó)家安全和

發(fā)展環(huán)境復(fù)雜多變，未來一個(gè)時(shí)

期又是我國(guó)實(shí)現(xiàn)中華民族偉大復(fù)

興的關(guān)鍵期，對(duì)我國(guó)各個(gè)領(lǐng)域的

科技支撐能力提出了更高的要求。

我國(guó)智能機(jī)器人芯片發(fā)展戰(zhàn)略首

要就是在當(dāng)前時(shí)代背景和國(guó)際環(huán)

境下，正視我國(guó)在芯片領(lǐng)域面臨

的“卡脖子”問題。自覺踐行和

大力弘揚(yáng)“兩彈一星”精神、載

人航天精神等新時(shí)代科學(xué)家精神。

制定長(zhǎng)期發(fā)展戰(zhàn)略，做好打持久

戰(zhàn)的準(zhǔn)備，舉國(guó)家之力，打破國(guó)

外對(duì)高端芯片的技術(shù)封鎖，實(shí)現(xiàn)

新時(shí)代科技新長(zhǎng)征的最終勝利。

頂層設(shè)計(jì)，戰(zhàn)略布局。智能

機(jī)器人芯片產(chǎn)業(yè)的發(fā)展與機(jī)器人

技術(shù)、機(jī)器人應(yīng)用技術(shù)、芯片產(chǎn)

業(yè)、芯片應(yīng)用產(chǎn)業(yè)等諸多行業(yè)密

切相關(guān)，關(guān)乎我國(guó)國(guó)防裝備、工

業(yè)生產(chǎn)、居民生活等方方面面。

需真正從國(guó)家的高度對(duì)機(jī)器人芯

片的發(fā)展提出綱領(lǐng)性、統(tǒng)攬性的

謀劃。不能將該領(lǐng)域的發(fā)展寄希

望于外來的技術(shù)支持，寄希望于

設(shè)備的進(jìn)口，而是將其作為國(guó)家

科技重要支柱性產(chǎn)業(yè)來抓。做好

從基礎(chǔ)理論研究、關(guān)鍵技術(shù)突破

到產(chǎn)業(yè)應(yīng)用落地的全鏈條總體規(guī)

劃，注重對(duì)國(guó)家長(zhǎng)期發(fā)展的支持。

強(qiáng)調(diào)整體，重點(diǎn)突破。機(jī)器

人芯片產(chǎn)業(yè)的發(fā)展是涉及面廣、

影響力大、關(guān)聯(lián)性強(qiáng)、制約關(guān)系

復(fù)雜的系統(tǒng)工程，某一環(huán)節(jié)不足

很容易形成木桶效應(yīng)。發(fā)展自主

可控的智能機(jī)器人芯片需要重視

其相關(guān)各方面的有機(jī)聯(lián)系，做到

整體推進(jìn)。同時(shí)，系統(tǒng)工程需要

重點(diǎn)突破，善于抓“牛鼻子”，找

突破點(diǎn)，或“剝繭抽絲”，或“快

刀斬亂麻”，方式方法得當(dāng)，就能

起到“四兩撥千金”的作用。

夯實(shí)基礎(chǔ)，擴(kuò)大優(yōu)勢(shì)。近幾

十年，我國(guó)機(jī)器人、芯片等領(lǐng)域

的技術(shù)及應(yīng)用更多是規(guī)模上“量”

的增長(zhǎng)，走的是“買來主義”路

線，實(shí)際的機(jī)器人芯片基本技術(shù)

和工藝，高端芯片的設(shè)計(jì)研究和應(yīng)

用雖有進(jìn)步，但跟國(guó)外先進(jìn)水平

還有很大差距。要實(shí)現(xiàn)關(guān)鍵技術(shù)

自主可控的轉(zhuǎn)變，需要充分挖掘

和發(fā)揮我國(guó)所具有的集中力量辦

大事體制優(yōu)勢(shì)，繼續(xù)擴(kuò)大我國(guó)在

市場(chǎng)需求、生產(chǎn)加工、人才儲(chǔ)備、

基礎(chǔ)設(shè)施建設(shè)等方面的發(fā)展優(yōu)勢(shì)，

尤其注重在全球競(jìng)爭(zhēng)的環(huán)境中揚(yáng)

長(zhǎng)避短，積極搶占新一輪科技與

產(chǎn)業(yè)的制高點(diǎn)。

深耕本土，面向世界。我國(guó)

擁有世界最大的智能機(jī)器人芯片

既有市場(chǎng)和潛在市場(chǎng)，這成為我

國(guó)芯片發(fā)展的不竭動(dòng)力。我國(guó)芯

片產(chǎn)業(yè)應(yīng)該充分立足本國(guó)市場(chǎng)，

挖掘好本國(guó)需求，發(fā)揮好本土優(yōu)

勢(shì)，從本土市場(chǎng)起步才能最終走

向世界。同時(shí)我國(guó)科技與社會(huì)發(fā)

表 1　技術(shù)路徑特點(diǎn)與比較分析

路線 成熟度 潛力（能效比 / 自主可控） 協(xié)處理器芯片架構(gòu)特點(diǎn)

１ 高 低 馮·諾依曼架構(gòu)，存算分離

2 中 中低 非馮·諾依曼架構(gòu)，近存計(jì)算

3.1 中低 中 非馮·諾依曼架構(gòu)，類存算一體

3.2 低 高 非馮·諾依曼架構(gòu)，存算一體

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 021

展對(duì)機(jī)器人芯片需求迫切，也需

要在借鑒歐洲、美國(guó)、日本等發(fā)

達(dá)國(guó)家和地區(qū)經(jīng)驗(yàn)的基礎(chǔ)上，充

分立足我國(guó)國(guó)情，處理好產(chǎn)品進(jìn)

口、技術(shù)引進(jìn)與自主研發(fā)之間的

關(guān)系，勇敢探索一條適合我國(guó)國(guó)

情的機(jī)器人專用芯片發(fā)展道路。

總之，需認(rèn)真總結(jié)提煉我國(guó)

在機(jī)器人芯片發(fā)展過程中的經(jīng)驗(yàn)

和教訓(xùn)，準(zhǔn)確把握世界發(fā)展趨勢(shì)

和新時(shí)代國(guó)家整體發(fā)展需求和方

向，立足新時(shí)代我國(guó)基本國(guó)情，

充分發(fā)揮我國(guó)在機(jī)器人芯片方面

的各種優(yōu)勢(shì)并將之與現(xiàn)階段芯片

技術(shù)發(fā)展的本質(zhì)規(guī)律有機(jī)結(jié)合，

探索出一條具有中國(guó)特色的智能

機(jī)器人芯片發(fā)展之路。

（二）重點(diǎn)任務(wù)與發(fā)展路線圖

我國(guó)智能機(jī)器人芯片發(fā)展要

準(zhǔn)確把握全球信息技術(shù)、機(jī)器人

技術(shù)、人工智能等領(lǐng)域發(fā)展賦予

的重大機(jī)遇，站在機(jī)器人產(chǎn)業(yè)和

芯片產(chǎn)業(yè)融合發(fā)展全局的角度，

充分總結(jié)歷史發(fā)展經(jīng)驗(yàn)教訓(xùn)，瞄

準(zhǔn)未來科技發(fā)展戰(zhàn)略制高點(diǎn)，以

問題為牽引，以需求為導(dǎo)向，圍

繞自主可控發(fā)展中國(guó)智能機(jī)器人

芯片的總目標(biāo)，著力布局以下重

點(diǎn)任務(wù)：

① 做好中國(guó)智能機(jī)器人芯片

發(fā)展的頂層設(shè)計(jì)。

② 制定智能機(jī)器人芯片的發(fā)

展路線。

③ 做好智能機(jī)器人芯片的產(chǎn)

業(yè)布局。

④ 構(gòu)建智能機(jī)器人芯片產(chǎn)業(yè)

協(xié)同優(yōu)化的產(chǎn)業(yè)結(jié)構(gòu)。

⑤ 制定釋放市場(chǎng)和人才創(chuàng)新

活力的協(xié)同創(chuàng)新機(jī)制。

⑥ 明確自主可控與國(guó)際協(xié)作

發(fā)展的邊界。

⑦ 重點(diǎn)推動(dòng)智能機(jī)器人芯片

的應(yīng)用落地。

我國(guó)智能機(jī)器人芯片發(fā)展

就是以實(shí)現(xiàn)解決機(jī)器人專用芯片

圖 1　我國(guó)智能機(jī)器人核心芯片發(fā)展路線圖

觀點(diǎn) VIEWPOINT

022 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

“卡脖子”難題、服務(wù)中國(guó)科技

穩(wěn)步快速發(fā)展為總目標(biāo)，力爭(zhēng)到

2035 年左右建設(shè)成為智能機(jī)器人

芯片強(qiáng)國(guó)，機(jī)器人芯片產(chǎn)業(yè)自主、

可控、完善、協(xié)同、高效，對(duì)國(guó)

家經(jīng)濟(jì)社會(huì)發(fā)展支撐作用顯著增

強(qiáng)。我國(guó)智能機(jī)器人核心芯片發(fā)

展路線圖如圖 1 所示，實(shí)現(xiàn)總目

標(biāo)可分“三步走”。

第一步，到 2025 年，全國(guó)上

下自主可控發(fā)展機(jī)器人芯片的共

識(shí)強(qiáng)烈，自主創(chuàng)新能力顯著增強(qiáng)，

掌握一批關(guān)鍵核心技術(shù)，優(yōu)勢(shì)領(lǐng)

域競(jìng)爭(zhēng)力進(jìn)一步增強(qiáng)，尤其在芯

片設(shè)計(jì)、中低端芯片的加工、芯

片的產(chǎn)業(yè)化融合等領(lǐng)域進(jìn)步明顯，

機(jī)器人芯片對(duì)機(jī)器人產(chǎn)業(yè)的提質(zhì)

增效作用逐步凸顯。自主可控智

能機(jī)器人芯片與發(fā)達(dá)國(guó)家芯片產(chǎn)

業(yè)跟跑差距不斷縮小。

第 二 步， 到 2030 年， 建 成

自主創(chuàng)新的機(jī)器人芯片研發(fā)體系，

關(guān)鍵核心技術(shù)和應(yīng)用達(dá)到世界領(lǐng)

先水平，全產(chǎn)業(yè)鏈實(shí)現(xiàn)安全可控，

在全球價(jià)值鏈中的地位明顯提升，

新型機(jī)器人芯片產(chǎn)業(yè)生態(tài)基本形

成，低中高全覆蓋的芯片設(shè)計(jì)、

加工、制造、應(yīng)用完整產(chǎn)業(yè)集群

涌現(xiàn)，機(jī)器人芯片對(duì)機(jī)器人產(chǎn)業(yè)、

國(guó)家經(jīng)濟(jì)和社會(huì)發(fā)展的支撐作用

持續(xù)增強(qiáng)。自主可控智能機(jī)器人

芯片與發(fā)達(dá)國(guó)家芯片產(chǎn)業(yè)并跑態(tài)

勢(shì)基本達(dá)成。

第 三 步， 到 2035 年， 形 成

創(chuàng)新引領(lǐng)優(yōu)勢(shì)，建成全球領(lǐng)先的

機(jī)器人芯片體系，新型機(jī)器人芯

片產(chǎn)業(yè)生態(tài)逐步完善，芯片技術(shù)、

機(jī)器人技術(shù)與各個(gè)領(lǐng)域全面實(shí)現(xiàn)

協(xié)調(diào)發(fā)展，芯片對(duì)經(jīng)濟(jì)和社會(huì)發(fā)

展的支撐作用大幅提升。自主可

控智能機(jī)器人芯片實(shí)現(xiàn)全球領(lǐng)跑。

七、對(duì)策建議

（一）將智能機(jī)器人芯片自主

可控上升為國(guó)家戰(zhàn)略

建議制定“智能機(jī)器人芯片

自主可控發(fā)展戰(zhàn)略”，明確智能機(jī)

器人芯片的自主可控發(fā)展在國(guó)家

總體戰(zhàn)略規(guī)劃中的突出地位。成

立智能機(jī)器人芯片發(fā)展領(lǐng)導(dǎo)小組，

負(fù)責(zé)對(duì)機(jī)器人產(chǎn)業(yè)和芯片產(chǎn)業(yè)發(fā)

展的統(tǒng)一規(guī)劃和統(tǒng)籌實(shí)施。組織

涵 蓋 科 技、 經(jīng) 濟(jì)、 能 源、 環(huán) 境、

交通、通信、城市規(guī)劃等不同領(lǐng)

域的頂級(jí)專家成立智能機(jī)器人芯

片自主可控發(fā)展專家咨詢委員會(huì)，

為智能機(jī)器人芯片發(fā)展提供決策

支撐，統(tǒng)籌推進(jìn)機(jī)器人技術(shù)及產(chǎn)

業(yè)、芯片技術(shù)及產(chǎn)業(yè)的協(xié)同發(fā)展，

圍繞體制機(jī)制改革、特色市場(chǎng)環(huán)

境搭建、自主創(chuàng)新體系建設(shè)、智

能機(jī)器人產(chǎn)業(yè)生態(tài)、專用智能芯

片產(chǎn)業(yè)和集群等重點(diǎn)任務(wù)，制定

目標(biāo)清晰、方向明確、措施得力

的頂層設(shè)計(jì)。

（二）設(shè)立智能機(jī)器人芯片重

大科技專項(xiàng)

面向各大應(yīng)用領(lǐng)域?qū)C(jī)器人

及機(jī)器人芯片的重大迫切需求，

抓住機(jī)器人與芯片不斷深入融合

發(fā)展的重大變革機(jī)遇，設(shè)立智能

機(jī)器人芯片重大科技專項(xiàng)，實(shí)現(xiàn)

智能機(jī)器人芯片領(lǐng)域核心和關(guān)鍵

技術(shù)全面自主可控。智能機(jī)器人

芯片重大科技專項(xiàng)要以戰(zhàn)略性、

全局性、前瞻性、關(guān)鍵性技術(shù)需

求為牽引，發(fā)揮國(guó)家實(shí)驗(yàn)室、國(guó)

家工程研究中心等平臺(tái)優(yōu)勢(shì)，重

點(diǎn)圍繞芯片基礎(chǔ)科學(xué)及工藝的芯

片設(shè)計(jì)、芯片制造、芯片封測(cè)技

術(shù)，圍繞智能感知、認(rèn)知、交互、

規(guī)劃、控制、協(xié)同的機(jī)器人技術(shù)，

圍繞算法芯片融合的模型壓縮、

算法融合、新型架構(gòu)設(shè)計(jì)技術(shù)，

以及圍繞工業(yè)機(jī)器人、服務(wù)機(jī)器

人、自主無(wú)人系統(tǒng)、特種機(jī)器人、

智慧交通系統(tǒng)的智能機(jī)器人芯片

應(yīng)用技術(shù)等為重點(diǎn)，為智能機(jī)器

人芯片做好技術(shù)儲(chǔ)備，促進(jìn)我國(guó)

機(jī)器人領(lǐng)域在核心理論和關(guān)鍵技

術(shù)方面全面趕超世界先進(jìn)水平。

智能機(jī)器人芯片重大科技專項(xiàng)資

金來源可從應(yīng)用市場(chǎng)獲取，主要

依托機(jī)器人應(yīng)用的相關(guān)產(chǎn)業(yè)產(chǎn)生

的稅收紅利，在確保一定政府資

金投入的基礎(chǔ)上，形成多元化的

投入機(jī)制。

（三）出臺(tái)激勵(lì)智能機(jī)器人芯

片技術(shù)研究和產(chǎn)業(yè)應(yīng)用政策

國(guó)務(wù)院印發(fā)的《新時(shí)期促進(jìn)

集成電路產(chǎn)業(yè)和軟件產(chǎn)業(yè)高質(zhì)量

發(fā)展的若干政策》（2020 年）強(qiáng)

調(diào)，集成電路產(chǎn)業(yè)和軟件產(chǎn)業(yè)是

信息產(chǎn)業(yè)的核心，是引領(lǐng)新一輪

科技革命和產(chǎn)業(yè)變革的關(guān)鍵力量。

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 023

隨后，我國(guó)集成電路產(chǎn)業(yè)和軟件

產(chǎn)業(yè)快速發(fā)展，有力支撐了國(guó)家

信息化建設(shè)，促進(jìn)了國(guó)民經(jīng)濟(jì)和

社會(huì)持續(xù)健康發(fā)展。建議在此框

架內(nèi)，突出“自主可控”的總體

指導(dǎo)思想，重點(diǎn)強(qiáng)調(diào)基礎(chǔ)研究與

應(yīng)用研究并重發(fā)展，出臺(tái)面向智

能機(jī)器人領(lǐng)域的芯片產(chǎn)業(yè)發(fā)展詳

細(xì) 落 地 政 策， 在 財(cái) 稅、 投 融 資、

研究開發(fā)、進(jìn)出口、人才、知識(shí)

產(chǎn)權(quán)、市場(chǎng)應(yīng)用、國(guó)際合作等方

面繼續(xù)明確在機(jī)器人專用芯片領(lǐng)

域的專項(xiàng)措施。由智能機(jī)器人芯

片發(fā)展領(lǐng)導(dǎo)小組推進(jìn)各部門、各

地方盡快制定具體配套政策，加

快政策落地，確保取得實(shí)效，推

動(dòng)我國(guó)智能機(jī)器人芯片領(lǐng)域?qū)崿F(xiàn)

高質(zhì)量發(fā)展。

（四）落實(shí)智能機(jī)器人芯片人

才培養(yǎng)發(fā)展措施

支撐和決定智能機(jī)器人芯

片產(chǎn)業(yè)發(fā)展的關(guān)鍵在于人才。建

議我國(guó)出臺(tái)政策措施，重點(diǎn)推進(jìn)

“政產(chǎn)學(xué)研”多方協(xié)同的研發(fā)機(jī)

制，不斷加強(qiáng)芯片產(chǎn)業(yè)人才的培

養(yǎng)力度、提升產(chǎn)業(yè)研發(fā)能力、縮

小產(chǎn)業(yè)的技能缺口。首先，推動(dòng)

深層次產(chǎn)學(xué)研合作，促進(jìn)產(chǎn)業(yè)人

才培養(yǎng)。重視和加快機(jī)器人、半

導(dǎo)體、集成電路相關(guān)學(xué)科的人才

培養(yǎng)開發(fā)，鼓勵(lì)各類研發(fā)機(jī)構(gòu)、

高校、科研院所與高新區(qū)企業(yè)、

基地載體等各類組織開展多種形

式的高層次、緊缺和骨干專業(yè)技

術(shù)人才培養(yǎng)合作。另外，完善人

才評(píng)價(jià)和激勵(lì)機(jī)制，完善鼓勵(lì)創(chuàng)

王耀南，中國(guó)工程院院士，

機(jī)器人技術(shù)與智能控制專家，湖

南大學(xué)教授 , 機(jī)器人視覺感知與

控制技術(shù)國(guó)家工程研究中心主

任。任中國(guó)科協(xié)委員、中國(guó)圖象

圖形學(xué)學(xué)會(huì)理事長(zhǎng)、中國(guó)自動(dòng)化

學(xué)會(huì)會(huì)士、中國(guó)計(jì)算機(jī)學(xué)會(huì)會(huì)

士、中國(guó)人工智能學(xué)會(huì)會(huì)士、全

國(guó)智能機(jī)器人創(chuàng)新聯(lián)盟副理事

長(zhǎng)、國(guó)家自然科學(xué)基金委員會(huì)專

家咨詢委員、中國(guó)自動(dòng)化學(xué)會(huì)常

務(wù)理事、中國(guó)人工智能學(xué)會(huì)監(jiān)

事、教育部科技委人工智能與區(qū)

塊鏈技術(shù)委員會(huì)委員、湖南省自

動(dòng)化學(xué)會(huì)理事長(zhǎng)等。曾任湖南大

學(xué)電氣與信息工程學(xué)院院長(zhǎng)、機(jī)

器 人 學(xué) 院 院 長(zhǎng)、 國(guó) 家 863 計(jì) 劃

智能機(jī)器人領(lǐng)域?qū)＜?、歐盟第五

框架國(guó)際合作重大項(xiàng)目首席科

學(xué)家。

長(zhǎng)期從事機(jī)器人感知與控

制技術(shù)教學(xué)科研工作，成果獲國(guó)

家技術(shù)發(fā)明二等獎(jiǎng) 1 項(xiàng)、國(guó)家科

技進(jìn)步二等獎(jiǎng) 4 項(xiàng)、國(guó)際 IEEE

機(jī)器人與自動(dòng)化領(lǐng)域“工業(yè)應(yīng)用

最高獎(jiǎng)”，省部級(jí)一等獎(jiǎng) 11 項(xiàng)。

發(fā)表國(guó)際 IEEE 等 SCI 論文 200

余篇，出版機(jī)器人感知與智能控

制等著作 15 部，獲國(guó)家發(fā)明專

利 90 余項(xiàng)，培養(yǎng)博士 70 余名

（ 含 IEEE Fellow、 長(zhǎng) 江、 杰

青等）。榮獲國(guó)家百千萬(wàn)工程人

才、德國(guó)杰出洪堡學(xué)者、全國(guó)高

等學(xué)校優(yōu)秀教師、全國(guó)五一勞動(dòng)

獎(jiǎng)?wù)隆⑷珖?guó)先進(jìn)工作者、全國(guó)創(chuàng)

新爭(zhēng)先獎(jiǎng)、全國(guó)教材建設(shè)先進(jìn)個(gè)

人、湖南省抗擊新冠疫情先進(jìn)個(gè)

人等榮譽(yù)稱號(hào)。

王耀南簡(jiǎn)介

新創(chuàng)造的分配激勵(lì)機(jī)制，形成有

效的正向激勵(lì)，使人才能夠充分

發(fā)揮創(chuàng)新潛能。全面調(diào)動(dòng)人才的

積極性，發(fā)揮創(chuàng)新潛能與活力。

再者，積極引進(jìn)高端人才，完善

人才集聚機(jī)制，加大對(duì)全球芯片

產(chǎn)業(yè)高端人才的吸引力度，根據(jù)

產(chǎn)業(yè)發(fā)展需求開展人才與企業(yè)、

人才與項(xiàng)目對(duì)接活動(dòng)，拓展全球

技術(shù)研發(fā)、制造等理工科類人才

流入國(guó)內(nèi)芯片行業(yè)的渠道。最后，

構(gòu)建專業(yè)化人才服務(wù)體系，為芯

片產(chǎn)業(yè)高層次人才的科技研發(fā)、

成果轉(zhuǎn)化、市場(chǎng)拓展等提供深層

次增值服務(wù)，支持打造適合人才

長(zhǎng)期發(fā)展的良好生態(tài)，聚集人才

并留住人才。

來源：中國(guó)工程院院刊

觀點(diǎn) VIEWPOINT

024 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

王飛躍：元宇宙如何改變一切

關(guān)于元宇宙的：現(xiàn)象與本質(zhì)

莎士比亞曾說：一千個(gè)讀者

眼中就會(huì)有一千個(gè)哈姆雷特。對(duì)

于“ 元 宇 宙 ”， 一 千 個(gè) 人 的 頭 腦

里，會(huì)有“一千零一夜”的元宇

宙（Metaverse）之夢(mèng)。

再結(jié)合馬修·鮑爾關(guān)于元宇

宙的文章，就會(huì)發(fā)現(xiàn)，在每一個(gè)元

宇宙里至少有上億個(gè)“哈姆雷特”，

他們不停地在自問：是生活在元宇

宙之中，還是消失在元宇宙之外？

Tobe or not to be（inthe

Metaverse）？

自 從 2021 年 Facebook 創(chuàng)

始人扎克伯格宣布其公司更名為

ftetaPlatforms 之 后，“ 元 宇 宙 ”

一詞頓時(shí)在全世界熱了起來，引

發(fā)人們的熱烈討論：

這是 Trickor Treat（是“豬”

都會(huì)飛的風(fēng)口還是割“韭菜”的

時(shí) 機(jī) ）？Hopeor Hype（ 是 科 技

新希望還是商業(yè)新忽悠）？這些問

題歸根結(jié)底就是：到底什么是元

宇宙？元宇宙究竟意味著什么？

曾任亞馬遜全球戰(zhàn)略主管的

馬修·鮑爾應(yīng)該是回答這些問題

的最佳、最權(quán)威人士。他去年在

Facebook 改 名 之 前 發(fā) 布 的《 元

宇宙入門》，幾乎是閱讀量最高的

“元宇宙”主題的文章，或許扎克

伯格就是受此影響才決定變“臉”

為“元”，自我革命，Allinfteta！

毫無(wú)疑問，正是馬修·鮑爾

的努力，才使元宇宙成為西方投

資者、商界人士和政客追逐的新

熱點(diǎn)，并引發(fā)世界性熱潮，成了

令無(wú)數(shù)相關(guān)人士向往并希望可以

借其通向新世界的“藍(lán)?！?。

因此，在“元宇宙入門”基

礎(chǔ)上完成的《元宇宙改變一切》，

應(yīng)該是每一位關(guān)注元宇宙人士的

必讀之物。

在本書中，馬修·鮑爾以其

一貫的風(fēng)格，用翔實(shí)的素材、深

入 的 分 析， 全 面 論 述 了 元 宇 宙

的現(xiàn)狀和潛力，是目前關(guān)于這一

“形而上”愿景之最“形而下”的

權(quán)威著作。

在我看來，元宇宙的出現(xiàn)推

動(dòng)人類社會(huì)關(guān)注方式和信用機(jī)制

的變革。而且，無(wú)論你我對(duì)其的

態(tài)度是認(rèn)可的“Tobe”還是否定

的“Nottobe”， 元 宇 宙 都 將 改

變一切。相信本書將有助于大家

正確理解元宇宙，避免落入“黑”

科技的“黑洞”，自然地融入科技

發(fā)展之歷史潮流，共同引導(dǎo)智能

科技向善，推動(dòng)人類社會(huì)向健康

可持續(xù)的智慧社會(huì)發(fā)展。

特別令人贊賞的是，馬修·鮑

爾在本書中沒有在眾多的“哈姆雷

特式”元宇宙問答或定義中選邊站

隊(duì)，更沒有對(duì)五花八門、各式各樣

的元宇宙愿景及其實(shí)現(xiàn)進(jìn)行預(yù)測(cè)或

“算命”，只是力求客觀地描述各

路“元軍”的努力、希望、意義，

為大家進(jìn)一步的暢想提供了良好的

素材與空間。至于元宇宙為何能改

變世界，或借用本書英文書名 The

Metaverse:And How It Will

Revolutionize Everything 提 出

的問題，依然是讀者自己必須面對(duì)

并回答的“哈姆雷特式”問題。

本書讓我遺憾之處是沒有

對(duì)“ 元 宇 宙 ” 一 詞 的 英 文 起 源

進(jìn) 行 全 面 而 客 觀 的 梳 理， 特 別

是 沒 有 對(duì) 1981 年 弗 諾· 文 奇

（VernorVinge） 的《 真 名 實(shí) 姓 》

（TrueNames）和1984年威廉·吉

布 森（William Gibson） 的《 神

經(jīng)漫游者》（Neuromancer）催生

元宇宙的作用給予充分的闡述。實(shí)

際上，沒有吉布森在其 1982 年的

處女作《全息玫瑰碎片》（Burning

Chrome） 中 提 出 的“ 賽 博 空 間 ”

（cyberspace） 一 詞， 并 在《 神

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 025

經(jīng)漫游者》中發(fā)揚(yáng)光大，很難想

象 1992 年尼爾·斯蒂芬森（Neal

Stephenson）會(huì)在《雪崩》（Snow

Crash）中提出“元宇宙”一詞。

此外，馬修·鮑爾還有意無(wú)

意 地 忽 略 了 1991 年 出 版 的《 鏡

像 世 界 》（Mirror Worlds） 及

其 作 者 戴 維· 格 勒 爾 特（David

Gelernter)，以及眾多和鏡像世界

有關(guān)的小說和影視作品。從時(shí)間上

和技術(shù)上看，其實(shí)“鏡像世界”才

是當(dāng)下人們談?wù)摰脑钪嬷嫔怼?/p>

無(wú)論如何，同馬修·鮑爾一

樣，我堅(jiān)信元宇宙將改變?nèi)祟惿?/p>

會(huì)的一切，就像從農(nóng)業(yè)社會(huì)到工

業(yè)社會(huì)是一場(chǎng)產(chǎn)業(yè)與社會(huì)革命，

元宇宙、數(shù)字孿生和平行智能等

將是從工業(yè)社會(huì)到智業(yè)社會(huì)這場(chǎng)

革命的關(guān)鍵科技與產(chǎn)業(yè)支撐及基

礎(chǔ)設(shè)施。

這些技術(shù)就是“新 IT”智能

技術(shù)（Intelligent Technology），

是“舊 IT”信息技術(shù)（Information

Technology）和“老 IT”工業(yè)技

術(shù)（Industrial Technology） 的

升級(jí)和升華。

“老”“舊”“新”三種 IT 技

術(shù)將融匯起來，開發(fā)我們面臨的

波 普 爾 的“ 三 個(gè) 世 界 ”： 物 理 世

界，以老 IT 工業(yè)技術(shù)為主；心理

世界，以舊 IT 信息技術(shù)為主；人

工世界，以新 IT 智能技術(shù)為主。

這一切的本質(zhì)就是：通過虛

實(shí)互動(dòng)一體化的元宇宙等技術(shù)，

人類社會(huì)將信用度（Trust）和關(guān)

注力（Attention）等人工世界的

理念，轉(zhuǎn)化為可大批量生產(chǎn)并可

大規(guī)模流通的新商品，就像工業(yè)

革命是以利用紡織機(jī)將心理世界

的“時(shí)尚”轉(zhuǎn)化為實(shí)際的新商品

為起點(diǎn)一樣，使整個(gè)人工世界成

為人類發(fā)展的新邊疆和提高效益

的新途徑。

據(jù)此，元宇宙及其支撐和衍

生科技必將改變一切。

關(guān)于元宇宙的：哲學(xué)與科技

哲 學(xué) 上， 元 宇 宙 ftetaverse

之“元”就是形而上學(xué) ftetaphysics 之“ 元 ”（fteta）。 元 宇 宙

的實(shí)質(zhì)就是“形而上”，其實(shí)際功

能就是激發(fā)大家的想象力和創(chuàng)新能

力。所以，不是一千個(gè)人應(yīng)有一千

個(gè)元宇宙，而是每個(gè)人都該有自己

的“一千零一夜”之元宇宙夢(mèng)。

我的元宇宙夢(mèng)就是為此類理

念建立相應(yīng)的科學(xué)與技術(shù)及其工

程支撐體系，這就是我一直倡導(dǎo)

的平行智能與平行系統(tǒng)。

借用我為中國(guó)青年科技工作

者所撰的另一部元宇宙專著所寫

之序，在此就元宇宙之哲學(xué)和科

技，談?wù)勛约旱某醪较敕ā?/p>

“形而上者謂之道，形而下

者 謂 之 器 ”， 這 本 是 中 國(guó) 古 老 的

哲 學(xué) 思 想， 但 今 日 的 元 宇 宙 之

“fteta”， 區(qū) 塊 鏈 之“DAO”， 還

有各種智能科技新 IT 之“器”般

的理念與算法，從維納的《控制

論 》（Cybernetics） 到 吉 布 森 的

賽博空間，從人工智能（AI）到

深度學(xué)習(xí)（DL），從影子系統(tǒng)、數(shù)

字孿生到平行智能，已將這一哲

學(xué)思想轉(zhuǎn)化為技術(shù)要求和工程系

統(tǒng)，如圖 1 和圖 2 所示。

《圣經(jīng)·新約·約翰福音》開

篇第一句就是“太初有道，道與

神同在”。中國(guó)經(jīng)典《道德經(jīng)》第

四十二章開首即為“道生一，一生

二，二 生 三，三 生 萬(wàn) 物 ”。 二 者 之

合，恰好“形而上”地刻畫出未

圖 1　平行智能與元宇宙：邁向智慧社會(huì)的“真”（TRUE）與“道”（DAO）

資料來源：Fei-YueWang，Parallel Intelligence in Metaverses: Welcome to Hanoi! IEEEIntelligent Systems，Vol.37，No.1，pp.16-20，2022.

觀點(diǎn) VIEWPOINT

026 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

來智能技術(shù)的必然流程：

● 太初有道，元源太初，是催

生控制論的“循環(huán)因果論”，將區(qū)

塊鏈之“道”與元宇宙之“元”，

通過“真”與“道”的理念融合

起 來， 變 成 技 術(shù)， 特 別 是 機(jī) 器

學(xué)習(xí)等“形而下”的人工智能技

術(shù)， 為“ 真 ” 的 可 信 Trust、 可

靠 Reliable、可用 Useful、效益

Effective/Efficient，以及“道”

的層次和功能（分布 / 全中心、自

動(dòng) / 自主、組織 / 行動(dòng)），提出具

體要求；

● 道生一，就是我們必須面對(duì)

的特定自然系統(tǒng)和問題；

● 一生二，就是我們開始解

決問題時(shí)必須面對(duì)的界限和“小

數(shù)據(jù)”；

● 二生三，就是我們的由經(jīng)

驗(yàn)、模型、“實(shí)驗(yàn)”（特別是“計(jì)算

實(shí)驗(yàn)”）所產(chǎn)生的“大數(shù)據(jù)”；

● 三生萬(wàn)物，就是通過智能方

法從大數(shù)據(jù)中提煉出來的各種具

有針對(duì)性的“深智能”；

●“小數(shù)據(jù) - 大數(shù)據(jù) - 深智能”

這一流程盡歸于“元”，在“元宇

宙”中必然存在其對(duì)應(yīng)物，從而

實(shí)現(xiàn)虛實(shí)合一、平行互動(dòng)。由此，

必然走向基于 ACP（A：人工社會(huì)；

C：計(jì)算實(shí)驗(yàn)；P：平行執(zhí)行）的

平行智能方法，融機(jī)器人、區(qū)塊

鏈和智能科技為一體，變革生產(chǎn)

資料、生產(chǎn)關(guān)系和生產(chǎn)力，進(jìn)入

人類社會(huì)發(fā)展的新階段。

這 一 切 的 本 質(zhì)， 就 是 試 圖

把過去受個(gè)人認(rèn)知能力的“密勒

指 數(shù) ”（ftillerindices，5±2），

以及社會(huì)認(rèn)知容量的“鄧巴圈”

（150±50）之限而無(wú)法商品化的

關(guān)注力和信用度轉(zhuǎn)化為可批量化

生產(chǎn)、可規(guī)?；魍ǖ男滦蜕唐?。

這正是我們研究元宇宙的原因和

動(dòng)機(jī)。我們相信，如果正確的元

宇宙模式成功，將革命性地變革

經(jīng)濟(jì)商品的范疇。同時(shí)，也能夠

極大地?cái)U(kuò)展提高社會(huì)效益的途徑，

加速?gòu)墓I(yè)時(shí)代到智業(yè)時(shí)代的

進(jìn)程。

20 世紀(jì) 80 年代初，從利用

蒙 特· 卡 羅 方 法（ftonte Carlo

method）和高斯隨機(jī)場(chǎng)（Gaussian

Random Field） 進(jìn) 行 材 料 缺 陷

研究開始，我有幸在浙大走上了

利用計(jì)算手段設(shè)計(jì)、分析、實(shí)驗(yàn)、

驗(yàn)證物理系統(tǒng)的學(xué)術(shù)研究道路。

20 世紀(jì) 90 年代初，我向美國(guó)國(guó)

家航空航天局（NASA）提出將

模型作為數(shù)據(jù)產(chǎn)生器和可視化工

具的“影子系統(tǒng)“方法，即今天

的數(shù)字孿生思想。

21 世紀(jì)初，在科學(xué)哲學(xué)家卡

爾·波普爾“三個(gè)世界”理論的

影響下，我在中國(guó)科學(xué)院提出“平

行系統(tǒng)”及其平行智能，以及相

應(yīng)的 ACP 方法和 CPSS（CyberPhysical-Social Systems）概念。

我一直希望這些研究能夠催生新

的產(chǎn)業(yè)革命，促成智能企業(yè)和智

能產(chǎn)品—從我們?nèi)粘ｋx不開的智

能家居系統(tǒng)開始。為此，2000 年

在上海舉辦的第一屆中國(guó)家電科

技大會(huì)上，我做了“家用‘網(wǎng)器’

及其互聯(lián)互通與產(chǎn)業(yè)革命”的大

會(huì)報(bào)告，提出互聯(lián)網(wǎng)將導(dǎo)致“第

四次產(chǎn)業(yè)革命”，即“工業(yè) 4.0”，

而 OSGi 將開啟“第五次產(chǎn)業(yè)革

命 ”， 即“ 工 業(yè) 5.0”。 同 年， 我

圖 2　學(xué)科交叉與元宇宙：在多重元宇宙和交叉學(xué)科中實(shí)現(xiàn)“循環(huán)因果”和“小數(shù)據(jù) - 大

數(shù)據(jù) - 深智能”智能科技新范式

資料來源：Fei-YueWang，The DAO to Meta Control for Meta Systems in Metaverses: The

System of Parallel Control Systems for Knowledge Automation and ControlIntelligence

in CPSS，IEEE/CAA Journal of Automatica Sinica，Vol.9，No.11，pp.1899-1908，2022.

VIEWPOINT 觀點(diǎn)

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 027

與廣東科龍電器集團(tuán)、中國(guó)科學(xué)

院和美國(guó)亞利桑那大學(xué)合作，成

立國(guó)際研發(fā)中心和創(chuàng)業(yè)公司，于

2000 年至 2001 年進(jìn)行云計(jì)算和

物聯(lián)網(wǎng)相關(guān)科研和系統(tǒng)開發(fā)，有

幸發(fā)表了平行、ACP 和 CPSS 領(lǐng)

域的開拓性文章。這些經(jīng)歷，讓

我對(duì)數(shù)字孿生和元宇宙等有了進(jìn)

一步的思考與認(rèn)識(shí)，相信本書的

出版將更深入地推動(dòng)元宇宙智能

科技的發(fā)展與應(yīng)用。

元宇宙在賽博空間中孕育，

在《鏡像世界》一書中誕生，借

小說《雪崩》成名。

我的希望是，通過平行智能，

元宇宙進(jìn)化到錢學(xué)森的“靈境”技

術(shù)，最終構(gòu)成“明境、臨境、靈

境”三位一體的智能科技體系，即

三境智能：明察其境、身臨其境、

智匯靈境，成為不但更有“中國(guó)

味”，也更加人性化，能更好地服

務(wù)于人類的向善的新科技。

來源：《元宇宙改變一切》序言

王 飛 躍 教 授，1990 年 獲

美國(guó)倫塞利爾理工學(xué)院（RPI）

計(jì) 算 機(jī) 與 系 統(tǒng) 工 程 博 士 學(xué) 位。

1990 年起在美國(guó)亞利桑那大學(xué)

先后任助教授、副教授和教授，

機(jī)器人與自動(dòng)化實(shí)驗(yàn)室主任，復(fù)

雜系統(tǒng)高等研究中心主任。曾任

中國(guó)科學(xué)院自動(dòng)化研究所副所

長(zhǎng)，現(xiàn)為中國(guó)科學(xué)院自動(dòng)化研究

所復(fù)雜系統(tǒng)管理與控制國(guó)家重點(diǎn)

實(shí)驗(yàn)室主任。

王教授是智能控制、智能機(jī)

器人、無(wú)人駕駛、智能交通等領(lǐng)

域早期開拓者之一。自上世紀(jì) 80

年代起，師從機(jī)器人和人工智能

領(lǐng)域開拓者 G. N. Saridis 和 R. F.

McNaughton 教 授， 開 展 智 能

控制、機(jī)器人、人工智能和復(fù)雜

系統(tǒng)的研究與應(yīng)用工作，提出并

建立了智能系統(tǒng)的協(xié)調(diào)結(jié)構(gòu)和理

論、語(yǔ)言動(dòng)力學(xué)理論、代理控制

方法、復(fù)雜系統(tǒng)的 ACP 方法等。

現(xiàn)已完成“Advanced Studies of

Flexible Robotic Manipulators:

Modeling， Design， Control and

Application”、“Autonomous

Rock Excavation: Intelligent

C o n t r o l T e c h n i q u e s a n d

Experimentation”、“Advanced

Motion Control and Sensing

for Intelligent Vehicles”、

“Advances in Computational

Intelligence: Theory and

Applications”、《社會(huì)計(jì)算》、《智

能汽車》、《智能輪胎》、《區(qū)塊鏈

理論與方法》等十多本學(xué)術(shù)專

著，皆為相關(guān)領(lǐng)域的首部學(xué)術(shù)

著作。自二十一世紀(jì)初，發(fā)起

并開拓了社會(huì)計(jì)算、社會(huì)制造、

平行智能、平行控制、平行管

理、平行藝術(shù)、知識(shí)自動(dòng)化等新

的研究領(lǐng)域。王教授現(xiàn)任智能科

學(xué)與技術(shù)學(xué)報(bào)、IEEE 智能車匯

刊（IEEE Trans. on Intelligent

Vehicles） 主 編， 指 揮 與 控 制

學(xué)報(bào)名譽(yù)主編。1996 創(chuàng)辦 Int’l

J. of Intelligent Control and

Systems 和 World Scientific

Series on Intelligent Control

and Intelligent Automation，

2019 年 創(chuàng) 辦《 智 能 科 學(xué) 與 技

術(shù) 學(xué) 報(bào) 》。 現(xiàn) 任 中 國(guó) 自 動(dòng) 化 學(xué)

會(huì) 監(jiān) 事 長(zhǎng)。2003 年 起 先 后 當(dāng)

選 IEEE、INCOSE、IFAC、

ASME 和 AAAS 等國(guó)際學(xué)術(shù)組

織 Fellow。2007 年 獲 國(guó) 家 自

然科學(xué)二等獎(jiǎng)和 ACM 杰出科學(xué)

家 稱 號(hào)，2014 年 獲 IEEE 諾 伯

特·維納獎(jiǎng)。

王飛躍簡(jiǎn)介

學(xué)術(shù)前沿 ACADEMIC FRONTIER

028 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

摘要：針對(duì)衛(wèi)星拒止環(huán)境中移動(dòng)機(jī)器人高精度定位需求，提出一種基于誤差狀態(tài)擴(kuò)展卡爾曼濾波（ESEKF）的激光定位子系統(tǒng) / 視覺定位子系統(tǒng) / 全局速度測(cè)量子系統(tǒng)松耦合融合定位方法，并設(shè)計(jì)了一個(gè)誤差

低漂移的組合定位系統(tǒng)。首先，根據(jù)向量加法和矩陣乘法對(duì)系統(tǒng)狀態(tài)的誤差進(jìn)行最小表示，建立誤差形式

的卡爾曼濾波模型，以誤差狀態(tài)的最優(yōu)估計(jì)對(duì)系統(tǒng)狀態(tài)的估計(jì)值進(jìn)行補(bǔ)償。然后，針對(duì)激光和視覺定位子

系統(tǒng)位姿不確定度未知的問題，將位姿輸出依時(shí)間戳轉(zhuǎn)化為位姿增量，并建立位姿增量觀測(cè)模型。其次，

針對(duì)組合定位系統(tǒng)缺少全局速度約束的問題，利用姿態(tài)航向參考系統(tǒng)（AHRS）和正向運(yùn)動(dòng)學(xué)模型構(gòu)建全

局速度測(cè)量子系統(tǒng)，并建立全局速度觀測(cè)模型。最后，在街道和野外兩個(gè)場(chǎng)景中進(jìn)行測(cè)試，本文算法的相

對(duì)定位誤差小于 0.4%，相較于僅受局部速度約束的 EKF 和 ES-EKF 融合定位算法降低了約 40%。實(shí)驗(yàn)結(jié)

果表明，所提出的算法有效提升了定位系統(tǒng)的精度。

關(guān)鍵詞：衛(wèi)星拒止；多傳感器融合；位姿增量融合；全局速度約束；誤差狀態(tài)擴(kuò)展卡爾曼濾波；輪式

機(jī)器人；移動(dòng)機(jī)器人定位

具有全局速度約束的慣性 / 編碼器 / 視覺 / 激光

融合定位方法：IEVL-Fusion

文 / 武東杰　仲訓(xùn)昱　崔曉珍　莊明溪　彭俠夫

1　引言（Introduction）

定位是移動(dòng)機(jī)器人所必須

具備的一項(xiàng)重要功能，是實(shí)現(xiàn)地

圖構(gòu)建、自主導(dǎo)航等功能的前提

和基礎(chǔ)［1］。全球衛(wèi)星定位系統(tǒng)

（GNSS）能夠在全球范圍內(nèi)、24

小時(shí)地提供全局位置信息，是室

外車輛所普遍使用的定位技術(shù)［2］。

然而，在衛(wèi)星拒止區(qū)域內(nèi)，例如在

室內(nèi)、地下等，接收器完全接收不

到衛(wèi)星信號(hào)時(shí)，必須啟動(dòng)備用的

導(dǎo)航系統(tǒng)才能完成導(dǎo)航任務(wù)［3-4］。

移動(dòng)機(jī)器人常配備慣性測(cè)

量 單 元（IMU）、 編 碼 器（encoder）、視覺（vision）傳感器和

激光雷達(dá)（LiDAR）等導(dǎo)航傳感

器。IMU 和 編 碼 器 雖 然 成 本 低

廉、原理簡(jiǎn)單，但定位誤差會(huì)隨

時(shí)間和運(yùn)行里程快速累積，通常

用于輔助視覺或激光雷達(dá)進(jìn)行定

位。視覺定位系統(tǒng)通過對(duì)連續(xù)的

兩幀圖像進(jìn)行特征跟蹤、特征匹

配、位姿遞推估計(jì)等一系列處理，

實(shí)現(xiàn)對(duì)移動(dòng)機(jī)器人的定位，但在

高動(dòng)態(tài)和光照變化明顯的情況下，

其誤差累積會(huì)顯著增大。

激光定位系統(tǒng)通過點(diǎn)云匹配

實(shí)現(xiàn)較高精度的位姿估計(jì)，具有

定位精度高、使用范圍廣等特點(diǎn)，

目前已廣泛應(yīng)用到物流機(jī)器人與

掃地機(jī)器人等低速的移動(dòng)機(jī)器人

上［4］。但是激光定位系統(tǒng)所獲得

的高精度是以降低輸出頻率為代

價(jià)的。LOAM（LiDARodometry

and mapping）［5］ 是目前 KITTI

Odometry 數(shù) 據(jù) 集［6］ 上排名最

靠前的定位算法之一，其相對(duì)定

位誤差可達(dá) 0.55%，輸出頻率卻

很 低（ 在 NVIDIA Jetson TX2

處理器上測(cè)試的后端定位頻率約

1.5 Hz）。 為 了 進(jìn) 一 步 降 低 計(jì) 算

量，Shan 等［7］ 基于特征分割和

地 面 優(yōu) 化 技 術(shù) 對(duì) LOAM 算 法 進(jìn)

行改進(jìn)，提出了輕量型的 LeGO-

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 029

LOAM 算法，雖然精度和穩(wěn)定性

均有一定的提高，但輸出頻率仍

然偏低（在 NVIDIA Jetson TX2

處理器上測(cè)試的后端定位頻率約

3Hz），這對(duì)于中、高速移動(dòng)機(jī)器

人導(dǎo)航是十分不利的。另外，由

于缺乏高度方向上的全局約束，

其高度方向上的平均誤差約占總

體定位誤差的 70% 以上［7］。

面對(duì)單一傳感器的不足，研

究人員提出了許多基于多傳感器

融合技術(shù)的組合定位算法。如為

了應(yīng)對(duì)光照變化和高速運(yùn)動(dòng)時(shí)的

特征丟失等問題，可將高頻率的

IMU（慣性測(cè)量單元）數(shù)據(jù)融入到

視覺定位系統(tǒng)中，以此來提高系

統(tǒng)的魯棒性和算法的穩(wěn)定性［8-9］。

其中，Qin 等［9］設(shè)計(jì)了一個(gè)基于

優(yōu)化方法的相機(jī)和 IMU 緊組合定

位 系 統(tǒng) VINSFusion， 在 KITTI

Odometry 數(shù)據(jù)集上的測(cè)試定位

精度為 1.09%，是目前較為優(yōu)秀

的雙目視覺 / 慣性融合定位算法。

為了彌補(bǔ)激光輸出頻率低和視覺

高 動(dòng) 態(tài) 不 穩(wěn) 定 的 缺 點(diǎn)，Zhang

等［10］ 基于優(yōu)化融合方法提出了

V-LOAM 算 法， 單 目 視 覺 模 塊

以 60Hz 的 頻 率 進(jìn) 行 運(yùn) 動(dòng) 估 計(jì)，

激光模塊以 1Hz 的頻率對(duì)位姿進(jìn)

行地圖匹配優(yōu)化，實(shí)現(xiàn)了 0.54%

的 定 位 精 度。Kubelka 等［11］ 認(rèn)

為 IMU/ 編 碼 器 / 相 機(jī) / 激 光 雷

達(dá)組合定位是實(shí)現(xiàn)衛(wèi)星拒止環(huán)境

下高精度、高可靠性導(dǎo)航的有效

方式，并利用 EKF 算法對(duì) IMU/

編碼器里程計(jì)/視覺里程計(jì)/

激光里程計(jì)進(jìn)行融合，在多種場(chǎng)

景下實(shí)現(xiàn)了 1.2% 的定位精度。但

是，這些研究側(cè)重于定位系統(tǒng)的

整體設(shè)計(jì)，編程實(shí)現(xiàn)復(fù)雜，且導(dǎo)

航定位精度往往很難超過在激光

雷達(dá)可用時(shí)的定位精度。

為了避免復(fù)雜的系統(tǒng)設(shè)計(jì)

和 編 程 實(shí) 現(xiàn)， 研 究 人 員 開 始 嘗

試 另 一 條 研 究 思 路， 即 直 接 對(duì)

現(xiàn)有的定位系統(tǒng)進(jìn)行松耦合融

合。為此，Moore 等［12］ 在 ROS

（robot operating system） 環(huán)

境下設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于

EKF 的 多 傳 感 器 融 合 算 法 框 架

robotlocalization， 可 以 依 照

ROS 預(yù)定義的信息格式，融合任

意多個(gè)定位子系統(tǒng)的位置、姿態(tài)

和速度等數(shù)據(jù)。當(dāng)前，它已經(jīng)成

為 ROS 系統(tǒng)上非常流行、被廣泛

使用的一種定位算法包。但是，該

算法在融合定位子系統(tǒng)的位姿時(shí)存

在著協(xié)方差無(wú)法確定的問題：在沒

有衛(wèi)星定位等全局信息輔助的情況

下，激光或視覺定位子系統(tǒng)的位姿

輸出會(huì)隨著運(yùn)動(dòng)范圍的增大而產(chǎn)生

誤差累積，即位姿估計(jì)的不確定度

關(guān)于時(shí)間是無(wú)界的［13］。盡管回

環(huán)檢測(cè)能夠大幅度減小累積誤差，

但進(jìn)行復(fù)雜場(chǎng)景下大范圍運(yùn)動(dòng)時(shí)，

回環(huán)檢測(cè)常常失效，甚至出現(xiàn)假

陽(yáng)性閉環(huán)的問題［14］。因此，目

前還缺少有效方法對(duì)激光或視覺

定位子系統(tǒng)的協(xié)方差進(jìn)行建模。

另 外， 在 組 合 定 位 系 統(tǒng) 中，

速度測(cè)量通常是在機(jī)器人坐標(biāo)系

中進(jìn)行（即局部速度測(cè)量），而非

在世界坐標(biāo)系中進(jìn)行（即全局速

度測(cè)量）。但是，相對(duì)于全局速度

融合，局部速度融合對(duì)于提升系

統(tǒng)定位精度的意義并不大。例如

IMU/ 編碼器融合定位算法［15-16］

和 IMU/ 相機(jī) / 編碼器融合定位算

法［17］都是先根據(jù)正運(yùn)動(dòng)學(xué)模型和

編碼器讀數(shù)計(jì)算出局部速度，再

將其融入系統(tǒng)的狀態(tài)中。由于局

部速度必須使用最新的姿態(tài)估計(jì)

值將其分解為全局速度才能對(duì)位

置估計(jì)產(chǎn)生約束，因此，這種融

合方式對(duì)定位結(jié)果的影響嚴(yán)重依

賴于姿態(tài)估計(jì)的好壞。如果能夠

利用 IMU 和編碼器構(gòu)建一個(gè)獨(dú)立

于系統(tǒng)狀態(tài)的全局速度測(cè)量系統(tǒng)，

通過卡爾曼觀測(cè)更新過程直接對(duì)

系統(tǒng)狀態(tài)產(chǎn)生約束，便可進(jìn)一步

提升系統(tǒng)的定位精度。

針對(duì)定位子系統(tǒng)位姿協(xié)方差

無(wú)法建模和組合定位系統(tǒng)缺少全

局速度測(cè)量的問題，本文借助當(dāng)

前優(yōu)秀的激光定位系統(tǒng)和視覺定

位系統(tǒng)，設(shè)計(jì)一個(gè)松耦合定位算

法 IEVL-Fusion， 將 激 光、 相

機(jī)、編碼器和 IMU 快速、高效地

集成起來，實(shí)現(xiàn)低漂移、高頻率

的移動(dòng)機(jī)器人定位。首先，考慮

到 ES-EKF 相 對(duì) 于 常 規(guī) 的 EKF

具有一些顯著優(yōu)點(diǎn)［18-19］：（1）姿

態(tài)誤差是小量，可用 3 維向量對(duì)

其進(jìn)行等價(jià)表示，有利于避免出

現(xiàn)協(xié)方差奇異問題；（2）系統(tǒng)誤差

學(xué)術(shù)前沿 ACADEMIC FRONTIER

030 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

在 0 附近，有利于降低系統(tǒng)的非線性程度，提高濾波

精度；（3）系統(tǒng)誤差為小量，意味著可忽略二次項(xiàng)及

高階項(xiàng)，使雅可比矩陣的計(jì)算變得簡(jiǎn)單、快速。因此，

本文選擇 ES-EKF 作為融合方法。其次，針對(duì)激光

定位子系統(tǒng)位姿協(xié)方差無(wú)法建模的問題，將位姿依時(shí)

間戳轉(zhuǎn)換為位姿增量，并將位姿增量的協(xié)方差建模為

時(shí)間增量的二次函數(shù)，建立了位姿增量觀測(cè)模型。最

后，受 AHRS 可輸出全局姿態(tài)信息的啟發(fā)［20］，利用

AHRS 輸出的全局姿態(tài)對(duì)正向運(yùn)動(dòng)學(xué)模型輸出的局部

速度進(jìn)行分解，獲得對(duì)移動(dòng)機(jī)器人全局速度的獨(dú)立測(cè)

量結(jié)果，從而獲得對(duì)系統(tǒng)狀態(tài)的全局速度約束。

本文方法的創(chuàng)新和貢獻(xiàn)主要體現(xiàn)在：

（1）將協(xié)方差無(wú)法建模的位姿融合問題轉(zhuǎn)化為協(xié)

方差可建模的位姿增量融合問題，并考慮位姿增量測(cè)量

輸出的不均勻性，將其協(xié)方差建模為時(shí)間增量的二次

函數(shù)，有效實(shí)現(xiàn)了激光和視覺定位子系統(tǒng)輸出的融合；

（2）設(shè)計(jì)了一種新型的編碼器信息的融合方式，

即利用 IMU 姿態(tài)輸出和移動(dòng)機(jī)器人正向運(yùn)動(dòng)學(xué)模型

構(gòu)建全局速度測(cè)量子系統(tǒng)，再將全局速度測(cè)量值融合

到系統(tǒng)狀態(tài)中，有效降低組合系統(tǒng)的定位誤差；

（3）在街道和野地 2 個(gè)場(chǎng)景中對(duì)本文算法進(jìn)行測(cè)

試和對(duì)比分析，并公開實(shí)驗(yàn)中所采集到的數(shù)據(jù)集，可

通過掃碼本文標(biāo)題頁(yè)的 OSID 碼下載。

2? 方法（Methodology）

2.1　總體框架

如圖 1 所示，融合算法總體框架包括子系統(tǒng)和融

合估計(jì)器兩大部分。子系統(tǒng)包括激光定位子系統(tǒng)、視

覺定位子系統(tǒng)、全局速度測(cè)量子系統(tǒng)。其中，IMU

姿態(tài)測(cè)量模塊以重力方向或地磁方向作為參考，提

供有絕對(duì)參考的俯仰角、滾轉(zhuǎn)角等姿態(tài)信息，例如

AHRS、垂直參考單元（VRU）等。移動(dòng)機(jī)器人正

運(yùn)動(dòng)學(xué)模型以編碼器輸出的輪速作為輸入，求解出移

動(dòng)機(jī)器人參考點(diǎn)處的線速度，經(jīng) IMU 姿態(tài)分解后可

得車體在世界坐標(biāo)系中的運(yùn)動(dòng)速度，其觀測(cè)模型詳見

2.4.3 節(jié)。視覺定位子系統(tǒng)和激光定位子系統(tǒng)分別以

圖像和激光點(diǎn)云（也包括 IMU 數(shù)據(jù)）為輸入，可輸

出移動(dòng)機(jī)器人的位置、姿態(tài)等信息，其觀測(cè)模型詳見

2.4.1 和 2.4.2 節(jié)。ES-EKF 估計(jì)器在結(jié)構(gòu)上可以分為

狀態(tài)預(yù)測(cè)過程和狀態(tài)更新過程，算法設(shè)計(jì)過程詳見第

2 節(jié)。

圖2展示了基于ES-EKF的融合估計(jì)器的算法流程，

其中，各模塊的具體處理過程請(qǐng)參考其對(duì)應(yīng)的公式。

圖 2　基于 ES-EKF 的狀態(tài)估計(jì)器框圖

圖 1　融合算法總體框架

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 031

2.2 姿態(tài)及其誤差表示

設(shè) SO（3）為 3 維姿態(tài)空間，姿態(tài)的矩陣表示、

旋轉(zhuǎn)向量表示分別記為 和 ，它們之

間的轉(zhuǎn)換關(guān)系記為

（1）

式中，（·）∧表示將向量映射為一個(gè)反對(duì)稱矩陣［21］，

（·）∧和（·）∨互為逆映射，即

（2）

2.3? 系統(tǒng)模型與狀態(tài)預(yù)測(cè)

2.3.1 狀態(tài)變量定義

將系統(tǒng)狀態(tài) x 定義為

x p v R b b （3）

其中，位置 p 、姿態(tài) 、速度 定義在

世界坐標(biāo)系中，加速度計(jì)測(cè)量偏差 ，陀螺儀測(cè)

量偏差 定義在機(jī)器人坐標(biāo)系中。對(duì)應(yīng)的估計(jì)值

記為

（4）

將狀態(tài)估計(jì)誤差 定義為真實(shí)值與估計(jì)值的偏差：

（5）

各誤差的定義式如下：

（6）

2.3.2 系統(tǒng)的狀態(tài)運(yùn)動(dòng)模型

IMU 的測(cè)量模型設(shè)為［19］

（7）

（8）

其中， 表示加速度計(jì)的測(cè)量輸出， 為加

速度真值， 為加速度計(jì)的測(cè)量噪聲；

表 示 陀 螺 儀 的 測(cè) 量 輸 出， 為 角 速 度 真 值，

為陀螺儀的測(cè)量噪聲。

將測(cè)量偏差 和 建模為隨機(jī)游走模型［9］，則系

統(tǒng)的狀態(tài)運(yùn)動(dòng)模型為

（9）

式中， 為重力加速度常量， 、 、 、 均建模為

高斯白噪聲， 即 ， ，

， 。

對(duì)微分方程（9）在微小時(shí)間間隔 內(nèi)

進(jìn)行數(shù)值積分，得到系統(tǒng)模型的差分遞推形式：

（10）

其中，控制輸入定義為 ， ，系

統(tǒng)的過程噪聲定義為 。

2.3.3 系統(tǒng)的誤差運(yùn)動(dòng)模型

根據(jù)誤差定義式（6）和系統(tǒng)微分方程（9），可

得誤差狀態(tài)的微分方程［19］：

（11）

式中，

學(xué)術(shù)前沿 ACADEMIC FRONTIER

032 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

對(duì)微分方程（11）在 上進(jìn)行數(shù)值積分，可得誤差狀

態(tài)的運(yùn)動(dòng)模型為［21］

（12）

式中，

2.3.4 狀態(tài)預(yù)測(cè)與誤差預(yù)測(cè)

在上一時(shí)刻，狀態(tài)、誤差狀態(tài)及其協(xié)方差矩陣的

后驗(yàn)估計(jì)分別記為 、 和 ；在當(dāng)前時(shí)刻，狀

態(tài)、誤差狀態(tài)及其協(xié)方差矩陣的先驗(yàn)估計(jì)分別記為 、

和 ；則在卡爾曼濾波框架下，可得狀態(tài)和誤差的

預(yù)測(cè)式：

（13）

2.4 觀測(cè)模型與狀態(tài)更新

2.4.1 激光定位子系統(tǒng)觀測(cè)模型

在總結(jié) Kubelka［11］ 和 Ma［21］ 的工作基礎(chǔ)上，

進(jìn)一步將位置增量 和姿態(tài)增量

（3）的協(xié)方差建模為時(shí)間增量的 2 次函數(shù)，建立增量

的測(cè)量模型為

（14）

其中， 和 分別為姿態(tài)增量測(cè)量噪

聲和位置增量測(cè)量噪聲，這里均假設(shè)為高斯白噪聲，

協(xié)方差分別設(shè)為 和 。

記激光定位子系統(tǒng)在時(shí)刻 和 輸出的位置測(cè)

量結(jié)果分別為 和 ，姿態(tài)測(cè)量結(jié)

果分別為 （3）和 （3）， 定 義

虛擬測(cè)量值 ：

（15）

建立虛擬測(cè)量的觀測(cè)模型如下：

（16）

其中，

2.4.2 視覺定位子系統(tǒng)觀測(cè)模型

視覺定位子系統(tǒng)可同時(shí)輸出位置、姿態(tài)及速度信

息，其位姿觀測(cè)模型與激光位姿觀測(cè)模型完全一樣，

不再贅述，這里僅介紹其局部速度觀測(cè)模型。

在機(jī)器人坐標(biāo)系中，設(shè)時(shí)刻 的局部速度測(cè)量模型為

（17）

其中， 為局部速度測(cè)量噪聲，協(xié)方差設(shè)為 。

記視覺定位子系統(tǒng)在時(shí)刻 輸出的局部速度測(cè)量

值為 ，參考系為機(jī)器人坐標(biāo)系，定義虛擬

測(cè)量值 ：

（18）

建立虛擬測(cè)量值的觀測(cè)模型如下：

（19）

其中，

2.4.3 全局速度測(cè)量子系統(tǒng)觀測(cè)模型

在世界坐標(biāo)系中，設(shè)時(shí)刻 的全局速度測(cè)量模

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 033

型為

（20）

其中， 為世界坐標(biāo)系內(nèi)的速度測(cè)量噪聲，協(xié)

方差設(shè)為 。

記 IMU 姿態(tài)測(cè)量模塊的輸出為 （3），

正運(yùn)動(dòng)學(xué)模塊利用編碼器讀數(shù)解算出的機(jī)器人速度為

，定義虛擬測(cè)量值 ：

（21）

建立虛擬測(cè)量值的觀測(cè)模型如下：

（22）

其中，

2.4.4 誤差更新與狀態(tài)更新

為了便于表示，將觀測(cè)模型統(tǒng)一表示為

（23）

其中， 、 和 分別表示第 時(shí)刻的觀測(cè)矩

陣、噪聲矩陣和協(xié)方差矩陣。

在當(dāng)前時(shí)刻，狀態(tài)、誤差狀態(tài)及其協(xié)方差矩陣

的后驗(yàn)估計(jì)分別記為 、 和 ；則在卡爾曼框架

下，可得狀態(tài)和誤差的觀測(cè)更新式：

（24）

式中，運(yùn)算符 表示利用誤差后驗(yàn)估計(jì)值 對(duì)狀態(tài)

先驗(yàn)估計(jì)值 進(jìn)行補(bǔ)償，具體計(jì)算公式如下：

（25）

最后，對(duì)誤差狀態(tài)的后驗(yàn)估計(jì)值進(jìn)行歸零重置，

為下一次濾波估計(jì)過程做準(zhǔn)備，歸零過程記為

（26）

3? 實(shí)驗(yàn)（Experiments）

3.1 實(shí)驗(yàn)平臺(tái)搭建

硬件平臺(tái)由 3 部分構(gòu)成：（1）四輪獨(dú)立驅(qū)動(dòng)越野

型移動(dòng)機(jī)器人；（2）傳感器集合；（3）工控機(jī)。移動(dòng)

機(jī)器人及其傳感器配置情況如圖 3 所示。

圖 3　移動(dòng)機(jī)器人及其傳感器配置

移 動(dòng) 機(jī) 器 人 為 AgileX SCOUT2.0， 工 控 機(jī) 為

NVIDIA Jetson AGX Xavier，工控機(jī)通過 CAN（控

制器局域網(wǎng)絡(luò)）接口與移動(dòng)機(jī)器人下位機(jī)通信，實(shí)

時(shí)獲取底盤的輪胎轉(zhuǎn)速、線速度等運(yùn)動(dòng)狀態(tài)信息。傳

感器產(chǎn)品包括：輪式編碼器（SCOUT2.0 自帶）、慣

性 測(cè) 量 單 元（Xsens MTi-30）、 雙 目 視 覺 傳 感 器

（Stereolabs ZED 2）、 激 光 雷 達(dá)（RoboSenseRSLiDAR-16）、RTK 接收機(jī)（司南導(dǎo)航 M600miniG

GNSS-RTK 接收機(jī)），各傳感器產(chǎn)品的輸出參數(shù)見

表 1。

學(xué)術(shù)前沿 ACADEMIC FRONTIER

034 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

表 1　各傳感器產(chǎn)品的輸出參數(shù)表

傳感器 / 產(chǎn)品 輸出數(shù)據(jù)

輪式編碼器 轉(zhuǎn)速（rad/s）

Xsens MTi-30

角速度（rad/s）

比力（m·s-2

）

磁場(chǎng)強(qiáng)度（0.1mT）

姿態(tài)角（°）

Stereolabs ZED 2

雙目圖像

角速度（rad/s）

比力（m·s-2

）

RoboSense

RS-LiDAR-16 點(diǎn)云

RTK 接收機(jī)

位置（m）

水平精度：10mm+D×10-6

mm

高度精度：20mm+D×10-6

mm

注：D 代表以千米計(jì)量的 RTK 接收機(jī)到基站的距離數(shù)值

整個(gè)導(dǎo)航系統(tǒng)在 ROS 環(huán)境下使用 C++ 語(yǔ)言編程

實(shí)現(xiàn)，其中，激光定位子系統(tǒng)改編自 LeGOLOAM［7］

開源算法包，視覺定位子系統(tǒng)算法改編自 VINSFusion［9］開源算法包。表 2 展示了系統(tǒng)各模塊的輸

出頻率。

表 2　系統(tǒng)各模塊的輸出頻率

激光定位

子系統(tǒng)

視覺定位

子定位

全局速度

測(cè)量

子系統(tǒng)

融合估計(jì)器

輸出

3Hz 10Hz 20Hz >30Hz

3.2 測(cè)試及其評(píng)估

為了充分驗(yàn)證本文融合定位算法的有效性，分別

在街道場(chǎng)景和野外場(chǎng)景下完成定位測(cè)試，表 3 列出了

各實(shí)驗(yàn)場(chǎng)景中移動(dòng)機(jī)器人的基本運(yùn)動(dòng)情況。

表 3　各實(shí)驗(yàn)場(chǎng)景中移動(dòng)機(jī)器人的基本運(yùn)動(dòng)情況

場(chǎng)景 路程 /m 時(shí)長(zhǎng) /s 平均速度 /

（m/s） 參考源

街道 1419 1158 1.23 RTK

野外 529 619 0.85 RTK

實(shí)驗(yàn)中，將各傳感器數(shù)據(jù)采集下來，分別進(jìn)行

了 如 下 定 位 算 法 測(cè) 試：（1） 利 用 VINS-Fusion 算

法［9］ 進(jìn) 行 IMU/ 相 機(jī) 融 合 定 位；（2） 利 用 LeGOLOAM 算 法［7］ 進(jìn) 行 IMU/ 激 光 雷 達(dá) 融 合 定 位；

（3） 利 用 robotlocalization 算 法［12］ 進(jìn) 行 IMU/ 編

碼 器 / 相 機(jī) / 激 光 雷 達(dá) 融 合 定 位；（4） 利 用 本 文 的

IEVL-Fusion 算法進(jìn)行 IMU/ 編碼器 / 相機(jī) / 激光

雷 達(dá) 融 合 定 位；（5） 利 用 本 文 的 IEVL-Fusion-no

算法進(jìn)行 IMU/ 編碼器 / 相機(jī) / 激光雷達(dá)融合定位。

IEVL-Fusion-no 算 法 是 將 IEVL-Fusion 算 法 中

編碼器全局式融合替換為局部式融合后得到的算法，

其余部分均與 IEVLFusion 算法相同。各定位算法的

文獻(xiàn)來源及其所用傳感器組合如表 4 所示。

圖 4 展示了街道實(shí)驗(yàn)中相關(guān)的照片和定位曲線。

街道數(shù)據(jù)采集于晚上 6 點(diǎn)左右，光線由明變暗，移動(dòng)

機(jī)器人總的行駛路程約為 1419m，高度變化約 2.5m，

行駛時(shí)長(zhǎng)約 1158s，平均速度約 1.23m/s。圖 4（a）

為街道所在區(qū)域的衛(wèi)星地圖，紅色曲線為 RTK 參考

軌跡，移動(dòng)機(jī)器人繞著兩棟教學(xué)大樓走出了一個(gè)“8”

形，其中約有 1/4 的石板路，另外 3/4 為柏油路。圖

4（b）為實(shí)驗(yàn)過程中實(shí)拍到的移動(dòng)機(jī)器人和環(huán)境的照

片，此時(shí)的光線昏暗，馬路旁路燈已經(jīng)打開。圖 4（c）

為各算法的 3 維軌跡估計(jì)結(jié)果，對(duì)比來看，IEVLFusion 算法的結(jié)果更加接近 RTK 給出的參考軌跡。

圖 4（d）為各算法在X、Y、Z 分量上的定位誤差關(guān)

于時(shí)間的變化曲線。

圖 5 展示了野外實(shí)驗(yàn)中相關(guān)的照片和定位曲線。

野外數(shù)據(jù)采集的時(shí)間在下午 2:30 左右，移動(dòng)機(jī)器人

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 035

表 4　各定位算法及其所用傳感器組合

定位方案 來源 融合方法 IMU 相機(jī) 激光雷達(dá)

編碼器融合方式

局部速度融合 全局速度融合

VINS-Fusion 文 [9] 優(yōu)化 √ √

LeGO-LOAM 文 [7] 優(yōu)化 √ √

robot-localization 文 [12] EKF √ √ √ √

IEVL-Fusion-no 本文 ES-EKF √ √ √ √

IEVL-Fusion 本文 ES-EKF √ √ √ √

圖 4　街道實(shí)驗(yàn)中相關(guān)的照片和定位曲線

（a）街道所在區(qū)域的衛(wèi)星地圖 （b）移動(dòng)機(jī)器人和環(huán)境的實(shí)驗(yàn)實(shí)拍圖

（c）各算法的 3 維軌跡估計(jì)結(jié)果 （d）各算法在各軸上的位置誤差

學(xué)術(shù)前沿 ACADEMIC FRONTIER

036 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

總的行駛路程約為 529m，高度變化約 35m，行駛時(shí)

長(zhǎng)約 619s，平均速度約 0.85m/s。圖 5（a）為實(shí)驗(yàn)

所在區(qū)域的衛(wèi)星地圖，紅色曲線為 RTK 參考軌跡，

移動(dòng)機(jī)器人沿著非常崎嶇的土路曲折前行，道路兩旁

為自然生長(zhǎng)的植被。圖 5（b）為實(shí)驗(yàn)過程中實(shí)拍到的

移動(dòng)機(jī)器人和周圍環(huán)境的照片，可以看到，這樣的場(chǎng)

景在野外是普遍存在的。圖 5（c）為各算法的 3 維軌

跡 估 計(jì) 結(jié) 果，IEVL-Fusion-no、IEVLFusion 和

robot-localization 算法的定位軌跡均有較好的收

斂。圖 5（d）為各算法的X 分量、Y 分量和Z 分量

的定位誤差關(guān)于時(shí)間的變化曲線，從曲線變化很難直

觀看出定位效果，需要進(jìn)一步定量分析。

實(shí)驗(yàn)過程中 RTK 接收機(jī)的數(shù)據(jù)接收正常，本文

依據(jù) RTK 定位數(shù)據(jù)對(duì)測(cè)試結(jié)果進(jìn)行量化與評(píng)價(jià)。為

了對(duì)定位結(jié)果進(jìn)行綜合評(píng)估，本文定義了 4 個(gè)量化指標(biāo)：

最大定位誤差 ME、最大相對(duì)定位誤差 MRE、平均定

位誤差 AE 和平均相對(duì)定位誤差 ARE［11］：

圖 5　野外實(shí)驗(yàn)中相關(guān)的照片和定位曲線

（a）實(shí)驗(yàn)所在區(qū)域的衛(wèi)星地圖 （b）移動(dòng)機(jī)器人和環(huán)境的實(shí)驗(yàn)實(shí)拍圖

（c）各算法的 3 維軌跡估計(jì)結(jié)果 （d）各算法在各軸上的位置誤差

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 037

（27）

其中，N 表示采樣點(diǎn)的個(gè)數(shù)，D 表示機(jī)器人運(yùn)動(dòng)的

路程。

依據(jù)以上定義的量化指標(biāo)，對(duì)各算法的X、Y、Z

三個(gè)分量和總體（3D 位置）進(jìn)行指標(biāo)計(jì)算，計(jì)算結(jié)果

列于表 5 中，其中加粗的字體表示對(duì)應(yīng)列中的最小值。

就 總 體 定 位 誤 差 而 言，IEVL-Fusion 在 ME、

MRE、AE 和 ARE 四 個(gè) 指 標(biāo) 上 均 為 最 好， 平 均 相

對(duì)定位誤差小于總路程的 0.4%，最大相對(duì)定位誤差

小 于 0.7%。 相 較 于 VINS-Fusion、LeGO-OAM、

robotlocalization 和 IEVL-Fusion-no 算 法，

IEVL-Fusion 算法的最大相對(duì)定位誤差分別降低了

約 90%、65%、40% 和 40%。

對(duì)比各算法在 X 和 Y 分量上的定位誤差可看出，

IEVL-Fusion 算法的水平定位精度和 LeGOLOAM

算 法 相 當(dāng)。 但 在 Z 分 量 上，IEVL-Fusion 算 法 具

有最小的定位誤差，且 IEVL-Fusion 算法的平均

定 位 誤 差 相 較 于 VINS-Fusion、LeGO-LOAM、

robot-localization 以及 IEVL-Fusion-no 算法分

表 5　各算法在X、Y、Z 軸上的定位誤差和總體定位誤差

場(chǎng)景 算法 X 分量

AE/m

Y 分量

AE/m

Z 分量

AE/m

總體誤差（3D 位置）

ME/m MRE/% AE/m ARE/%

街道

VINSFusion 4.83 15.28 2.20 49.43 3.48 16.5 1.16

LeGOLOAM 0.52 0.71 6.27 12.68 0.89 6.35 0.45

robotlocalization 0.74 0.94 1.75 5.79 0.41 2.25 0.16

IEVLFusion-no 2.01 1.04 5.14 11.39 0.80 5.87 0.41

IEVLFusion 0.49 0.95 0.28 3.57 0.25 1.21 0.10

野外

VINSFusion 6.26 12.99 4.61 38.33 7.25 15.61 2.95

LeGOLOAM 0.77 1.02 3.56 8.04 1.52 4.04 0.77

robotlocalization 1.11 1.30 2.21 5.36 1.01 2.88 0.55

IEVLFusion-no 1.38 0.94 1.05 3.79 0.72 2.17 0.41

IEVLFusion 1.15 1.22 0.60 3.28 0.62 1.88 0.36

學(xué)術(shù)前沿 ACADEMIC FRONTIER

038 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

別降低了 86%、83%、72% 和 42% 以上。

實(shí)際上，偏航角 、俯仰角 、滾轉(zhuǎn)角 與旋轉(zhuǎn)矩

陣 之間存在如下關(guān)系：

（28）

其中，* 表示與 有關(guān)的項(xiàng)。AHRS 輸出的俯仰角和

滾轉(zhuǎn)角是以重力向量為參考求解到的，偏航角是以地

磁為參考的。根據(jù)全局速度觀測(cè)模型（21），全局速

度 的第 3 個(gè)分量是有絕對(duì)參考的豎直速度測(cè)

量值，第 1 個(gè)分量和第 2 個(gè)分量易受到周圍環(huán)境中電

磁干擾的影響，無(wú)法提供無(wú)偏的速度測(cè)量值。這一分

析與實(shí)驗(yàn)結(jié)果相互印證，即全局速度觀測(cè)更新對(duì)于豎

直方向上的誤差累積具有顯著的抑制作用。

4? 結(jié)論與展望（Conclusion and prospect）

針對(duì)衛(wèi)星拒止環(huán)境中移動(dòng)機(jī)器人高精度定位的需

求，提出一種基于 ES-EKF 的激光定位子系統(tǒng) / 視

覺定位子系統(tǒng) / 全局速度測(cè)量子系統(tǒng)松耦合融合定位

方法，設(shè)計(jì)了一個(gè)誤差漂移低、輸出頻率高的 IMU/

編碼器 / 相機(jī) / 激光組合定位系統(tǒng)，并在城鎮(zhèn)和野外

場(chǎng)景下進(jìn)行了測(cè)試。相較于 VINSFusion、LeGOLOAM、robot-localization 等定位算法，本文提出

的方法具有更高的定位精度。本文方法的主要優(yōu)勢(shì)

為：（1）無(wú)需對(duì)整個(gè)定位系統(tǒng)進(jìn)行重復(fù)設(shè)計(jì)即可實(shí)現(xiàn)

LeGO-LOAM、VINS-Fusion 算法在組合導(dǎo)航中的

快速集成和應(yīng)用；（2）將位姿融合轉(zhuǎn)化為位姿增量融

合，避免了激光定位系統(tǒng)中位姿協(xié)方差無(wú)法建模的問

題；（3）利用 IMU 和編碼器分解得到機(jī)器人的全局速

度測(cè)量值，對(duì)狀態(tài)估計(jì)器的高度估計(jì)產(chǎn)生有效約束，

顯著提高整個(gè)系統(tǒng)的狀態(tài)估計(jì)精度。

在實(shí)際的移動(dòng)機(jī)器人導(dǎo)航中，除了努力提高定位

系統(tǒng)的精度之外，還希望提升復(fù)雜環(huán)境下移動(dòng)機(jī)器人

的定位魯棒性和持續(xù)性［22］。例如，遮擋、逆光等會(huì)

造成視覺定位算法失效，長(zhǎng)廊會(huì)造成激光定位算法失

效［23-24］。因此，在接下來的研究中，將進(jìn)一步利用

多傳感器融合技術(shù)賦予系統(tǒng)處理這些問題的能力，提

升整個(gè)定位系統(tǒng)的定位可靠性。

來源：《機(jī)器人》

武東杰（1990 —），男，博士生。研究

領(lǐng)域：多源融合定位與自主導(dǎo)航。

仲訓(xùn)昱（1980 —），男，博士，副教授。

研究領(lǐng)域：多源融合定位與自主導(dǎo)航。

崔曉珍（1997 —），女，碩士生。研究

領(lǐng)域：組合導(dǎo)航。

作者簡(jiǎn)介

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 039

1　引言（Introduction）

近 年 來， 機(jī) 器 學(xué) 習(xí) 方 法 快

速發(fā)展，使得機(jī)器人可以實(shí)現(xiàn)對(duì)

未知物體的自主抓取操作，但機(jī)

器人抓取雜亂場(chǎng)景下的目標(biāo)物體

仍面臨不小的挑戰(zhàn)。一些研究在

Conell Grasping、Jacquard 等

抓取數(shù)據(jù)集上通過深度學(xué)習(xí)方法

進(jìn)行有監(jiān)督的訓(xùn)練以獲取最優(yōu)抓

取框［1-4］、判定物體的抓取點(diǎn)或

抓取姿勢(shì)，進(jìn)而完成機(jī)器人對(duì)物

體的抓取任務(wù)，但應(yīng)用大量數(shù)據(jù)

集導(dǎo)致訓(xùn)練時(shí)間過長(zhǎng)。強(qiáng)化學(xué)習(xí)

的興起，使得機(jī)器人可以自監(jiān)督

一種基于功用性圖的目標(biāo)推抓技能自監(jiān)督學(xué)習(xí)方法

文 / 吳培良　劉瑞軍　毛秉毅　史浩洋　陳雯柏　高國(guó)偉

摘要：提出了一種基于功用性圖的目標(biāo)推抓技能自監(jiān)督學(xué)習(xí)方法。首先，給出了雜亂環(huán)境下面向目標(biāo)

推抓任務(wù)的機(jī)器人技能自監(jiān)督學(xué)習(xí)問題描述，將工作空間中機(jī)器人推抓操作的決策過程定義為一個(gè)全新的

馬爾可夫決策過程（MDP），分別訓(xùn)練視覺機(jī)制模塊與動(dòng)作機(jī)制模塊。其次，在視覺機(jī)制模塊中融合自適

應(yīng)參數(shù)與分組拆分注意力模塊設(shè)計(jì)了特征提取網(wǎng)絡(luò) RGSA-Net，可由輸入網(wǎng)絡(luò)的原始狀態(tài)圖像生成功用性

圖，為目標(biāo)推抓操作提供良好的前提。然后，在動(dòng)作機(jī)制模塊中搭建了基于演員－評(píng)論家（actor-critic）

框架的深度強(qiáng)化學(xué)習(xí)自監(jiān)督訓(xùn)練框架 DQAC，機(jī)器人根據(jù)功用性圖執(zhí)行動(dòng)作后利用該框架進(jìn)行動(dòng)作評(píng)判，

更好地實(shí)現(xiàn)了推、抓之間的協(xié)同。最后，進(jìn)行了實(shí)驗(yàn)對(duì)比與分析，驗(yàn)證了本文方法的有效性。

關(guān)鍵詞：推抓技能學(xué)習(xí)；功用性圖；自監(jiān)督學(xué)習(xí)；自適應(yīng)參數(shù)；拆分注意力機(jī)制

地與環(huán)境進(jìn)行信息交互，進(jìn)而完

成所設(shè)定的任務(wù)。傳統(tǒng)強(qiáng)化學(xué)習(xí)

方法為機(jī)器臂抓取、機(jī)器人堆疊

和整理、四足機(jī)器人行走以及機(jī)

器人導(dǎo)航等高維度的控制問題提

供了較好的解決方案。

數(shù)據(jù)驅(qū)動(dòng)的方法在許多方面

都取得了成功，受此鼓舞，深度

神經(jīng)網(wǎng)絡(luò)也被用在雜亂場(chǎng)景下的

物體姿態(tài)估計(jì)。機(jī)器人通過對(duì)抓

取數(shù)據(jù)集訓(xùn)練實(shí)現(xiàn)了對(duì)目標(biāo)物體

的抓取［1-4］。Morrison 等［1］ 提

出生成式抓取卷積神經(jīng)網(wǎng)絡(luò)（GGCNN），對(duì)圖像中每個(gè)像素的抓取

質(zhì)量和姿勢(shì)給出得分。Redmon

等［2］使用單階段回歸法找到可抓

取 的 矩 形 檢 測(cè) 框。Levine 等［3］

擬合了末端夾具的運(yùn)動(dòng)軌跡進(jìn)而

預(yù)測(cè)抓取成功的概率，并探索了

多個(gè)機(jī)器人并行化訓(xùn)練的方法。

Schmidt 等［4］提出了一種數(shù)據(jù)驅(qū)

動(dòng)、自下而上的學(xué)習(xí)方法，使用

深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）來

實(shí)現(xiàn)機(jī)器人對(duì)新穎對(duì)象的抓取。

Mahler 等［5］ 使 用 Dex-Net 2.0

數(shù)據(jù)集訓(xùn)練抓取質(zhì)量卷積神經(jīng)網(wǎng)

絡(luò)（GQ-CNN）模型，根據(jù)深度

相機(jī)給出的 3D 點(diǎn)云信息，找到魯

棒性最高的吸附抓取點(diǎn)。Kumra

等［6］提出了一種新穎的生成式殘

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2018YFB1308300）；國(guó)家自然科學(xué)基金區(qū)域聯(lián)合基金（U20A20167）；北京市自然科學(xué)基金（4202026）；河北省自然科學(xué)

　　　　　基金（F202103079）．

通信作者：毛秉毅，ysdxmby@163.com　收稿／錄用／修回：2021-06-18/2021-08-20/2021-08-24

學(xué)術(shù)前沿 ACADEMIC FRONTIER

040 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

差 網(wǎng) 絡(luò)（GR-ConvNet） 模 型，

用于反足機(jī)器人從場(chǎng)景的 n 通道

圖像中生成最佳抓取點(diǎn)，成功完

成對(duì)未知目標(biāo)的抓取。Lou 等［7］

提出了一種基于 3 維像素的深度

卷 積 神 經(jīng) 網(wǎng) 絡(luò)（3D-CNN）， 可

在能實(shí)現(xiàn)可達(dá)性感知的無(wú)限制工

作空間中生成可行的 6 自由度機(jī)

器 人 抓 取 姿 態(tài)。Shao［8］ 等基于

ResNet 和 U-Net［9］網(wǎng)絡(luò)訓(xùn)練了

一種端到端的神經(jīng)網(wǎng)絡(luò)，在不需

要進(jìn)行識(shí)別和姿態(tài)估計(jì)的非結(jié)構(gòu)

化環(huán)境中預(yù)測(cè)抓取區(qū)域。深度學(xué)

習(xí)中使用的數(shù)據(jù)集大多由人工標(biāo)

記抓取點(diǎn)構(gòu)成，由于存在多種抓

握方式，因此標(biāo)記并非易事；而

且，受語(yǔ)義偏見的影響，實(shí)驗(yàn)中

使用的數(shù)據(jù)量較低，這也導(dǎo)致機(jī)

器人傾向于過擬合［10］。

基于深度強(qiáng)化學(xué)習(xí)算法的自

監(jiān)督抓取策略為實(shí)現(xiàn)自動(dòng)化抓取

提供了可能，該類方法在抓取對(duì)

象形狀、位姿未知的情況下，通

過策略迭代與獎(jiǎng)勵(lì)值反饋進(jìn)行自

監(jiān)督學(xué)習(xí)。Shukla 等［11］ 將形狀

規(guī)則的剛性目標(biāo)抓取的問題分解

為位置和方向?qū)W習(xí)，提出了一種

GDQN（抓取深度 Q 網(wǎng)絡(luò)）深度

強(qiáng)化學(xué)習(xí)算法，用于姿態(tài)估計(jì)，

并驗(yàn)證了該網(wǎng)絡(luò)的有效性，但其

對(duì)于目標(biāo)物體要求較高且需要部

分人工標(biāo)注。Kalashnikov 等［12］

提出了一種大規(guī)模分布式優(yōu)化和

深度 Q 學(xué)習(xí)擬合的離線策略訓(xùn)練

方法，實(shí)現(xiàn)了機(jī)器人的動(dòng)態(tài)操作，

但其硬件要求過高導(dǎo)致復(fù)現(xiàn)較難。

Sarantopoulos 等［13］ 提出了一

種模塊化的強(qiáng)化學(xué)習(xí)方法，使用

連續(xù)動(dòng)作將目標(biāo)對(duì)象從周圍的雜

波中完全分離出來。通過動(dòng)作原

語(yǔ)和特征選擇，將先驗(yàn)知識(shí)有效

地融入到學(xué)習(xí)中，提高了樣本效

率，一定程度上解決了訓(xùn)練效率

低的問題。Quillen 等［14］探索了

一種基于視覺的機(jī)器人抓取深度

強(qiáng)化學(xué)習(xí)算法，根據(jù)異策略（offpolicy）強(qiáng)化學(xué)習(xí)算法評(píng)估無(wú)模型

的 機(jī) 器 人 抓 取 任 務(wù)。Hou 等［15］

在機(jī)器人抓取之前，通過監(jiān)督學(xué)

習(xí)對(duì) Q 網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，驗(yàn)證了

該方法能夠在早期階段顯著加速

自監(jiān)督學(xué)習(xí)，并且與工作空間中

對(duì)象的稀疏性幾乎無(wú)關(guān)。Deng 等

［16］基于 DQN（深度 Q 網(wǎng)絡(luò)）設(shè)

計(jì)了一種結(jié)合吸盤與夾持器的新

型機(jī)械手的主動(dòng)探索算法，在雜

波環(huán)境中完成了抓取任務(wù)。Xie

等［17］ 提出帶失敗概率的貝葉斯

逆強(qiáng)化學(xué)習(xí)（BIRLF）算法，該

算法從策略最優(yōu)性條件導(dǎo)出半空

間，在貝葉斯逆強(qiáng)化學(xué)習(xí)（BIRL）

框架下合并失敗的經(jīng)驗(yàn)并回傳給

機(jī)器人，適用于工作空間更復(fù)雜

的環(huán)境。但其需要對(duì)規(guī)則物體進(jìn)

行前期人工標(biāo)注，工作量較大。

Johannink 等［18］ 直接在現(xiàn)實(shí)世

界中訓(xùn)練智能體，將機(jī)械臂控制

難題分解為常規(guī)反饋控制方法解

決的部分和用 RL（強(qiáng)化學(xué)習(xí)）法

解決的殘差部分，有效地解決實(shí)

際控制問題。Mohammadi 等［19］

在改進(jìn)的 DDPG（深度確定性策

略梯度）基礎(chǔ)上提出了一種在線

連續(xù)深度強(qiáng)化學(xué)習(xí)的方法，用于

完成混亂環(huán)境中的抓取任務(wù)。Ni

等［20］針對(duì)邊緣物體抓取，將抓取

質(zhì)量函數(shù)的變化與遺忘機(jī)制相結(jié)

合來訓(xùn)練推抓動(dòng)作，此外，還設(shè)

置了雙重體驗(yàn)重播，以增加邊界

上的搜索。文 [21-22] 都在 DQN

算 法 的 基 礎(chǔ) 上 提 出 了 新 的 改 進(jìn)，

Gui 等［21］提出了一種知識(shí)誘導(dǎo)的

深度 Q 學(xué)習(xí)模型（KI-DQN），在

采取抓取動(dòng)作之前先將目標(biāo)物體

推向墻壁，將該問題看作馬爾可

夫決策過程，主動(dòng)利用環(huán)境優(yōu)勢(shì)

來抓取物體。Joshi 等［22］構(gòu)建雙

重 DQN 框架抓取網(wǎng)絡(luò)來輸出抓取

概率，提高了抓取成功率，但其

需要收集海量訓(xùn)練數(shù)據(jù)，還要在

多個(gè)物理機(jī)器人上進(jìn)行訓(xùn)練，大

大增加了訓(xùn)練成本。Zhang 等［23］

基于 DQN 提出了一種堆疊抓取網(wǎng)

絡(luò)（GSN），在研究目標(biāo)物體的抓

取問題時(shí)進(jìn)一步討論了物體放置問

題，但其僅考慮了單個(gè)物體的場(chǎng)

景，具有一定的局限性。Zeng 等

［24］通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)先計(jì)算每

個(gè)動(dòng)作的置信度 Q 值，然后通過

環(huán)境獎(jiǎng)勵(lì)反饋進(jìn)行梯度回傳，通過

推、抓之間的協(xié)同完成抓取任務(wù)，

但其使用傳統(tǒng) DQN 算法訓(xùn)練動(dòng)作，

使 得 推、 抓 之 間 的 協(xié) 同 性 較 差。

Yang 等［25］在文［24］的基礎(chǔ)上

通過語(yǔ)義分割得到目標(biāo)掩碼，并使

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 041

用二分類網(wǎng)絡(luò)訓(xùn)練推、抓之間的

協(xié)同，重新排列目標(biāo)周圍的干擾

物體，實(shí)現(xiàn)了對(duì)目標(biāo)物體的抓取，

但其仍然存在抓取點(diǎn)定位不準(zhǔn)確、

推抓協(xié)同效率低等問題。

針對(duì)雜亂環(huán)境下面向目標(biāo)物

的抓取任務(wù)，本文提出一種基于

功用性圖檢測(cè)的目標(biāo)抓取技能自

監(jiān)督學(xué)習(xí)方法，主要貢獻(xiàn)包括：

（1）給出了雜亂環(huán)境下面向

目標(biāo)抓取的問題描述，并將其表示

為一個(gè)全新的馬爾可夫決策過程

（MDP）。其中狀態(tài)信息包括 t 時(shí)

刻的圖像狀態(tài)與特征狀態(tài)，對(duì)于 2

種狀態(tài)分別給出獎(jiǎng)勵(lì)函數(shù)集合。

（2）基于自適應(yīng)參數(shù)調(diào)節(jié)與

分組拆分注意力機(jī)制，提出一種

新型特征提取網(wǎng)絡(luò) RGSA-Net，

它可根據(jù) RGB-D 攝像機(jī)采集到

的狀態(tài)得到精準(zhǔn)推抓的功用性圖

（affordance map）。同時(shí)，通過

自適應(yīng)參數(shù)調(diào)節(jié)防止梯度彌散。

（3）基于演員－評(píng)論家框架

的思想，在動(dòng)作機(jī)制模塊中設(shè)計(jì)

DQAC 算法。該算法將基于值函

數(shù)與策略梯度的算法的優(yōu)勢(shì)結(jié)合

起來，用于訓(xùn)練機(jī)器人推、抓之

間的協(xié)同。

2　問題描述與求解框架（Problem descrip-tion and solutionframework）

2.1 推動(dòng)和抓取任務(wù)描述及

抽象化

雜亂環(huán)境的特點(diǎn)是在一個(gè)場(chǎng)

景下一些形狀未知的物體呈無(wú)規(guī)

律堆疊，而且目標(biāo)物體被嚴(yán)重遮

擋。因此，該環(huán)境中面向目標(biāo)的

抓取尤為困難。功用性圖定義了

某一像素的推抓置信度，顏色越

深表示采取動(dòng)作的置信度越高，

反之置信度越低。本文研究機(jī)器

人在圖 1 所示的雜亂環(huán)境下面向

目標(biāo)的推抓問題，采用 RGB-D

相機(jī)作為機(jī)器人的外部傳感器，

利用功用性圖判斷該場(chǎng)景中是否

存在適于抓取的位置和角度。若

存在則直接抓?。蝗舨淮嬖?，則

采取若干次推動(dòng)動(dòng)作，增大目標(biāo)

物體周圍的空間供機(jī)器人抓取。

本文將機(jī)器人面向目標(biāo)的推

抓技能學(xué)習(xí)問題定義為一個(gè)馬爾

可夫決策過程（MDP），該過程由

七 元 組（S，SC

，A，Rq

，RC

，P，

γ）組成。參數(shù) S 表示圖像狀態(tài)

集，集合中以圖像的形式存儲(chǔ)每

一時(shí)刻相機(jī)所采集到的環(huán)境狀態(tài)；

圖 1　機(jī)器人目標(biāo)推抓技能自監(jiān)督學(xué)習(xí)系統(tǒng)

學(xué)術(shù)前沿 ACADEMIC FRONTIER

042 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

參 數(shù) SC 表 示 特 征 狀 態(tài) 集， 集 合

中以功用性圖的形式存儲(chǔ)每一時(shí)

刻狀態(tài) S 經(jīng)特征提取網(wǎng)絡(luò)處理后

生成的特征狀態(tài)；參數(shù) A 為有限

動(dòng)作集合，包括推動(dòng)與抓取動(dòng)作；

參數(shù) Rq 為針對(duì)特征設(shè)計(jì)的獎(jiǎng)勵(lì)函

數(shù)，集合中存儲(chǔ)每一時(shí)刻的 Q 值

以及獎(jiǎng)勵(lì)值；參數(shù) RC 為根據(jù)動(dòng)作

以及環(huán)境反饋給出的獎(jiǎng)勵(lì)函數(shù)集

合；參數(shù) P（s

c

t+1 | s

c

t ，at ) 為根據(jù)

當(dāng)前時(shí)刻狀態(tài)與動(dòng)作得到的下一

時(shí)刻狀態(tài)的轉(zhuǎn)移概率矩陣；參數(shù)

γ∈（0，1］為折扣因子，用于平

衡即時(shí)獎(jiǎng)勵(lì)以提高獎(jiǎng)勵(lì)期望。機(jī)

器人在任意時(shí)刻 t 接收到圖像狀態(tài)

st 與特征狀態(tài) s

c

t

，并基于深度強(qiáng)化

學(xué)習(xí)策略以概率 p 選擇行為 at，進(jìn)

入新的狀態(tài) st+1 和 s

c

t+1 并得到相應(yīng)

的獎(jiǎng)勵(lì) r

q

（st ，at）和 r

c

（s

c

t ，at）。

2.2 問題求解的總體框架

基于深度強(qiáng)化學(xué)習(xí)設(shè)計(jì)了一

種目標(biāo)推抓技能自監(jiān)督學(xué)習(xí)方法。

如圖 1 所示，整個(gè)框架分為視覺機(jī)

制模塊和動(dòng)作機(jī)制模塊。首先將

機(jī)器人上方的 RGB-D 相機(jī)獲取

的工作臺(tái)圖像信息作為當(dāng)前時(shí)刻

的狀態(tài) st 放到圖像經(jīng)驗(yàn)池（SRB）

和視覺機(jī)制模塊中。圖像經(jīng)驗(yàn)池

用于打破相鄰時(shí)間內(nèi)圖像的相關(guān)

性。視覺機(jī)制模塊由兩部分構(gòu)成，

一部分是 RGSA-Net 特征提取網(wǎng)

絡(luò)，另一部分是由推抓網(wǎng)絡(luò)構(gòu)成

的動(dòng)作網(wǎng)絡(luò)。該模塊用于生成推

抓功用性圖，整合推抓操作的位

置 p（x，y，z）和角度信息 θ。利

用環(huán)境給出的功用性圖獎(jiǎng)勵(lì) Rc 進(jìn)

行隨機(jī)梯度下降來訓(xùn)練網(wǎng)絡(luò)參數(shù)。

將功用性圖作為當(dāng)前時(shí)刻的特征

狀 態(tài) s

c

t 送 入 特 征 經(jīng) 驗(yàn) 池（FRB）

與動(dòng)作機(jī)制模塊中。特征經(jīng)驗(yàn)池

用于打破相鄰時(shí)間內(nèi)特征的相關(guān)

性。 動(dòng) 作 機(jī) 制 模 塊 將 傳 統(tǒng) 的 演

員－評(píng)論家框架進(jìn)行拆分，將評(píng)

價(jià)網(wǎng)絡(luò)進(jìn)一步分解成值網(wǎng)絡(luò)（Q

網(wǎng)絡(luò)）與目標(biāo)值網(wǎng)絡(luò)（Target Q

網(wǎng)絡(luò)），用于訓(xùn)練機(jī)器人推、抓動(dòng)

作之間的協(xié)同，利用環(huán)境給出的

動(dòng)作獎(jiǎng)勵(lì) Rc 更新參數(shù)。

視覺機(jī)制模塊的執(zhí)行流程如

圖 2 所示。首先在相機(jī)坐標(biāo)系中將

深度信息投影到 3D 點(diǎn)云中，創(chuàng)建

RGB-D 高度圖，經(jīng)預(yù)處理后得到

狀態(tài)高度圖（heightmap），將其

旋轉(zhuǎn) 16 次后輸入到特征提取網(wǎng)絡(luò)

RGSA-Net 進(jìn)行特征提取。然后

將提取到的特征作為推抓動(dòng)作網(wǎng)絡(luò)

的輸入，分別得到推動(dòng)與抓取動(dòng)

作的功用性圖，進(jìn)而求得在執(zhí)行

動(dòng)作時(shí)所需的置信度最大的像素

點(diǎn)與角度。最后根據(jù)手眼標(biāo)定結(jié)

果將相機(jī)坐標(biāo)系信息轉(zhuǎn)化為機(jī)器

人坐標(biāo)系信息，在工作空間中得

到接觸點(diǎn)位置與角度來執(zhí)行動(dòng)作。

圖 2　視覺機(jī)制模塊執(zhí)行流程

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 043

動(dòng)作機(jī)制模塊基于演員－評(píng)論家框架的思想，其

策略網(wǎng)絡(luò)輸入為當(dāng)前狀態(tài)值，輸出為決策動(dòng)作，目標(biāo)

是訓(xùn)練最優(yōu)的策略 πθ（s

c

，a）以達(dá)到最高獎(jiǎng)勵(lì)，即在

狀態(tài) s

c

t 下執(zhí)行動(dòng)作 at 可得到最優(yōu)的參數(shù) J（θ）：

（1）

其評(píng)價(jià)網(wǎng)絡(luò)基于值函數(shù)，負(fù)責(zé)評(píng)估動(dòng)作網(wǎng)絡(luò)的表現(xiàn)，

并指導(dǎo)該網(wǎng)絡(luò)下一階段的輸出動(dòng)作，即評(píng)判動(dòng)作執(zhí)行

的好壞，其目標(biāo)函數(shù)梯度更新計(jì)算公式如下：

（2）

3　方法（Method）

3.1　推抓功用性圖特征提取網(wǎng)絡(luò) RGSA-Net

為了生成準(zhǔn)確的推抓功用性圖，本文在視覺機(jī)制

模塊中以深度殘差網(wǎng)絡(luò)（ResNet18［9］）作為主骨干，

設(shè)計(jì)了一種基于分組卷積和自適應(yīng)拆分注意力機(jī)制的

特征提取網(wǎng)絡(luò) RGSA-Net。該網(wǎng)絡(luò)將預(yù)處理后得到的

3 種高度圖（彩色高度圖、深度高度圖、目標(biāo)掩碼高

度圖）旋轉(zhuǎn) 16 次后作為輸入，得到所有像素點(diǎn)期望

Q 值并生成推抓功用性圖，采取貪婪策略選取最大的

Q 值像素點(diǎn)轉(zhuǎn)化為動(dòng)作執(zhí)行位置點(diǎn) p（x，y，z），同

時(shí)得到動(dòng)作執(zhí)行的角度 θ。

3.1.1 自適應(yīng)參數(shù)

深度神經(jīng)網(wǎng)絡(luò)雖然在各個(gè)領(lǐng)域取得了很大進(jìn)展，

但是經(jīng)常面臨梯度消失或梯度彌散等問題，研究者通

常使用 3 種方法解決上述問題［26］：1) 設(shè)置初始化；

2) 使用 BatchNorm 或 LayerNorm 等算法實(shí)現(xiàn)正則

化；3) 殘差連接方法。而這些方法同樣存在著設(shè)計(jì)痕

跡過重、計(jì)算開銷大等問題。對(duì)于一個(gè)深度為 L 的模

型，傳統(tǒng)殘差網(wǎng)絡(luò)第 l 層輸出為

（3）

本文在殘差連接前增加一個(gè)初始值為 0 的自適應(yīng)

參數(shù)，該參數(shù)可以使得模型更好地接收梯度信號(hào)，加

快網(wǎng)絡(luò)的收斂速度，其基本形式如下：

（4）

殘差網(wǎng)絡(luò)可以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中梯度彌散的問

題，但用其擬合恒等變換并不容易。恒等變換的主要

目標(biāo)是構(gòu)造一種天然的恒等映射，即：

（5）

等價(jià)于令殘差部分 。

對(duì)于任意2個(gè)層數(shù) l2 > l1， 可 將 式（3） 遞 歸

展開：

(6)

最終損失 ε 對(duì)于低層輸出的梯度可展開為

(7)

式中前一項(xiàng)表示反向傳播時(shí)錯(cuò)誤信號(hào)不經(jīng)過任何中間

權(quán)重矩陣變換直接傳播到低層，可以很好地緩解梯度

彌散問題。

自適應(yīng)參數(shù) αi 的訓(xùn)練如下所示。假設(shè)深度神經(jīng)網(wǎng)

絡(luò)模型輸出由式 (8) 給出：

（8）

其中權(quán)重參數(shù) ω 的訓(xùn)練迭代過程為

（9）

式中 C 為損失函數(shù)，λ 為學(xué)習(xí)率。由式 (9) 可以看出：

當(dāng) α = 0 時(shí)，第 1 輪更新沒有更新參數(shù) ω。參數(shù) α 的

訓(xùn)練過程如下：

（10）

從第 2 輪開始，權(quán)重參數(shù) ω 的更新方式為

（11）

由 式 (11) 可 以 看 出， 如 果 損 失 函 數(shù) C 是合理

的，當(dāng)前的更新不會(huì)導(dǎo)致很強(qiáng)的梯度振蕩

，保證了深度神經(jīng)網(wǎng)絡(luò)模型更新時(shí)網(wǎng)絡(luò)的

穩(wěn)定性。自適應(yīng)參數(shù) αi 在 RGSA-Net 網(wǎng)絡(luò)中的更新

過程如圖 3 所示。

學(xué)術(shù)前沿 ACADEMIC FRONTIER

044 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

圖 3　自適應(yīng)參數(shù)更新過程

3.1.2 基于分組卷積的 RGSA-Block

分組卷積已經(jīng)被證實(shí)可以在效能不變的情況下

大大減少參數(shù)量［27］。若初始輸入深度神經(jīng)網(wǎng)絡(luò)的特

征向量維度為 C1×H×W，則將該特征在通道維度上

分 成 g 個(gè)基數(shù)組 {G1，G2，…，Gg}，每組特征維度

為（C1/g）×H×W。若普通卷積對(duì)應(yīng)的卷積核大小為

K×K×C1，則分組卷積核的維度為 K×K×C1/g。將

g 組特征在通道維度拼接后仍可得到維度為 C2×H×W

的輸出特征。此時(shí)深度神經(jīng)網(wǎng)絡(luò)的參數(shù)量可減少為標(biāo)

準(zhǔn)卷積操作的 1/g，且經(jīng)過不同路徑卷積得到的特征

圖之間的耦合性較低，利用所關(guān)注的不同特征可以得

到互為補(bǔ)充的特征圖。

將 RGB-D 相機(jī)采集到的圖片數(shù)據(jù)經(jīng)過一種語(yǔ)

義分割的深度全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) SegNet［28］作預(yù)

處理后，得到了彩色高度圖（RGB-height）、深度

高度圖（depth-height）、目標(biāo)掩碼高度圖（maskheight）。將完成特征提取后的 3 種數(shù)據(jù)在通道維度

融合，得到維度為 1×5×640×640 的特征。深度強(qiáng)

化學(xué)習(xí)框架每次訓(xùn)練輸入網(wǎng)絡(luò)的樣本數(shù)量為 1 會(huì)導(dǎo)

致特征歸一化失敗，因此本文在通道維度增加相同維

度的數(shù)據(jù)并進(jìn)行特征拼接。最終 RGSA-Net 網(wǎng)絡(luò)的

輸入特征維度為 2×5×640×640，輸出特征維度為

1×1024×20×20。

如圖 4 所示，本文的 RGSA-Block 基本塊先將

輸入特征分為 2 個(gè)候選集（K=2），每一集合又分成

2 組（G=2）進(jìn)行訓(xùn)練，每一組特征在經(jīng)過 2 個(gè)不同

卷積塊后饋入到拆分注意力模塊進(jìn)行特征融合。卷積

塊由卷積層、歸一化層、ReLU（線性整流）激活函

數(shù)依次構(gòu)成，區(qū)別在于卷積核的大小分別為 3×3 和

5×5。2 個(gè)候選集的輸出特征經(jīng)過拼接操作后由 1×1

的卷積塊進(jìn)行維度調(diào)整以適應(yīng)網(wǎng)絡(luò)輸入，乘上自適

應(yīng)參數(shù) αi 后與原始特征向量相加，作為最終的輸出

特征。

如圖 5 所示，將 RGSA-Block 基本塊嵌入到殘

差網(wǎng)絡(luò) ResNet-18 后得到了 RGSA-Net。

圖 4　RGSA-Block 網(wǎng)絡(luò)結(jié)構(gòu)

圖 5　RGSA-Net 網(wǎng)絡(luò)結(jié)構(gòu)

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 045

3.1.3　基于拆分注意力機(jī)制的 Split-Attention

模塊

在計(jì)算能力有限的情況下，機(jī)器人需要更加注意

目標(biāo)物體周圍的情況［29］。使用具有注意力機(jī)制的深

度神經(jīng)網(wǎng)絡(luò)，可以使機(jī)器人更快地定位目標(biāo)物體，提

高對(duì)目標(biāo)物體的注意力程度，從而探索更多的環(huán)境狀

態(tài)以獲得目標(biāo)信息。如圖 6 所示，本文采用基于通道

的拆分注意力機(jī)制［29］，對(duì)于輸入 RGSA-Net 網(wǎng)絡(luò)的

彩色高度圖、深度高度圖、目標(biāo)掩碼高度圖 3 種狀態(tài)

高度圖在通道方面給予不同的權(quán)重，以建模 5 個(gè)通道

的重要程度。

圖 6　拆分注意力網(wǎng)絡(luò)結(jié)構(gòu)

圖 6 中，設(shè)每個(gè)輸入特征的維度為 W×H×C，

其中 C= K

C1

，特征融合計(jì)算公式為

（12）

其中 r=2 為基數(shù)，將融合后的特征進(jìn)行全局平均池化，

計(jì)算公式如下：

（13）

至此，將得到的單圖平均后的中間特征經(jīng)過卷積

塊處理后進(jìn)行通道拆分，拆分成通道數(shù)為 3、1、1 的

3 種特征后，再分別經(jīng)過全連接層和 r-SoftMax 層進(jìn)

行特征提取，r-SoftMax 層參數(shù)計(jì)算如下：

（14）

將經(jīng)過 r-SoftMax 層處理的 3 種特征在通道維

度進(jìn)行特征融合，得到通道數(shù)為 5 的輸出特征，并將

其輸入到下一個(gè)網(wǎng)絡(luò)模塊中。

3.2　面向機(jī)器人推抓技能學(xué)習(xí)的 DQAC 算法

訓(xùn)練面向目標(biāo)物體的推、抓動(dòng)作之間的協(xié)同是機(jī)

器人抓取成功的關(guān)鍵。在保證抓取成功率的同時(shí)盡可

能地減少機(jī)器人運(yùn)動(dòng)次數(shù)，就需要建立起良好的評(píng)估

機(jī)制，充分訓(xùn)練推、抓之間的協(xié)同策略。

3.2.1 DQAC 算法思想

本文的動(dòng)作機(jī)制模塊是基于演員－評(píng)論家框架［30］

設(shè)計(jì)的一種自監(jiān)督學(xué)習(xí)算法 DQAC，該算法由策略網(wǎng)

絡(luò)和值網(wǎng)絡(luò)構(gòu)成。策略網(wǎng)絡(luò)建立模型 π（s，a；θ）將

動(dòng)作選擇策略參數(shù)化，根據(jù)狀態(tài)的分布概率選擇離散

動(dòng)作。值網(wǎng)絡(luò)評(píng)判當(dāng)前動(dòng)作以迭代更新策略參數(shù)值，

使得策略模型的累積回報(bào)不斷增加，從而得到最優(yōu)的

協(xié)同動(dòng)作策略。

3.2.2　DQAC 算法設(shè)計(jì)

熵是信息論中的重要概念，用于表示信息的不確

定程度，熵值越大，則信息的不確定程度越大。

（15）

DQAC 算法是針對(duì)離散動(dòng)作空間異策略改進(jìn)的強(qiáng)

化學(xué)習(xí)算法，使用信息熵最大化隨機(jī)策略來提高機(jī)器

人對(duì)環(huán)境的探索能力，從而實(shí)現(xiàn)目標(biāo)策略的優(yōu)化。

（16）

學(xué)術(shù)前沿 ACADEMIC FRONTIER

046 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

式中，目標(biāo)函數(shù)值 為最優(yōu)策略，He（π（s

c

t））表示

在狀態(tài)為 s

c

t 時(shí)采取不同策略得到的不同熵值。熵值越

大表示機(jī)器人對(duì)環(huán)境的探索策略越隨機(jī)，同時(shí)采用軟

更新方式進(jìn)行策略迭代。

DQAC 算法的環(huán)境獎(jiǎng)勵(lì)值由功用性獎(jiǎng)勵(lì) rg 和動(dòng)

作獎(jiǎng)勵(lì) r

c

g 兩部分構(gòu)成。將推動(dòng)動(dòng)作獎(jiǎng)勵(lì)定義為：當(dāng)

推動(dòng)動(dòng)作導(dǎo)致環(huán)境結(jié)構(gòu)發(fā)生變化的像素值超過閾值時(shí)

rp=0.5，r

c

p=0.5； 未 超 過 閾 值 時(shí) rp=0，r

c

p=-1。 本 文

將閾值設(shè)置為 30 個(gè)像素。將抓取獎(jiǎng)勵(lì)定義為：抓取

目標(biāo)成功時(shí)，rg=1，r

c

g=1；抓取目標(biāo)失敗時(shí)，rg=0，

r

c

g=-1。

圖 7　動(dòng)作機(jī)制模塊網(wǎng)絡(luò)結(jié)構(gòu)

如圖 7 所示，動(dòng)作機(jī)制模塊由策略網(wǎng)絡(luò)（actor）、

值網(wǎng)絡(luò)（critic）和目標(biāo)值網(wǎng)絡(luò)（targetcrit-ic）組

成。每個(gè)網(wǎng)絡(luò)由結(jié)構(gòu)相同的多層感知機(jī)（MLP）網(wǎng)絡(luò)

構(gòu)成。該網(wǎng)絡(luò)由輸入、輸出及中間層構(gòu)成，相鄰 2 層

之間的所有神經(jīng)元均互相連接，而同層神經(jīng)元之間無(wú)

連接。

動(dòng)作機(jī)制模塊的作用是根據(jù) RGSA-Net 網(wǎng)絡(luò)提

取的特征作出決策。具體的流程為：將從環(huán)境中提取

的特征狀態(tài)送入到策略網(wǎng)絡(luò)中，中間經(jīng)過不同神經(jīng)元

的前向傳播直到輸出層神經(jīng)元。使用 SoftMax 函數(shù)計(jì)

算出不同動(dòng)作的概率值，使用非線性激活函數(shù) ReLU

防止梯度消失。值網(wǎng)絡(luò)（Q 網(wǎng)絡(luò)）由 2 個(gè)結(jié)構(gòu)相同的

MLP 網(wǎng)絡(luò)構(gòu)成，用于擬合計(jì)算某一時(shí)刻的機(jī)器人特征

狀態(tài)與動(dòng)作決策；目標(biāo)值網(wǎng)絡(luò)（Target Q 網(wǎng)絡(luò)）以

固定周期復(fù)制 Q 網(wǎng)絡(luò)的參數(shù)，采用軟更新策略進(jìn)行更

新，用于預(yù)測(cè)環(huán)境中下一時(shí)刻的狀態(tài)以及動(dòng)作 Q 值。

考慮機(jī)器人在雜亂環(huán)境中采取推動(dòng)和抓取 2 種離

散動(dòng)作，DQAC 算法根據(jù)特征狀態(tài) s

c

t 對(duì)策略 π 進(jìn)行擬

合以減小目標(biāo)估計(jì)方差。由貝爾曼方程得出計(jì)算離散

動(dòng)作對(duì)應(yīng)值函數(shù)公式：

（17）

式中，β 為溫度參數(shù)，用于自適應(yīng)調(diào)節(jié)值函數(shù)的獎(jiǎng)勵(lì)。

目標(biāo)值網(wǎng)絡(luò)的輸出計(jì)算公式如下：

（18）

該網(wǎng)絡(luò)使用均方誤差損失函數(shù)計(jì)算目標(biāo)值與現(xiàn)實(shí)值之

間的差值 δ 并進(jìn)行梯度下降處理。均方誤差損失函數(shù)

計(jì)算公式如下：

（19）

通過減小熵值損失來減小估計(jì)值的損失方差，據(jù)

此，設(shè)計(jì)了如下的溫度熵?fù)p失目標(biāo)函數(shù)：

（20）

在目標(biāo)值網(wǎng)絡(luò)中加入動(dòng)作值函數(shù)期望和熵值計(jì)算

來更新策略，從而對(duì)離散動(dòng)作空間輸出準(zhǔn)確的概率分

布以減小誤差。因此，設(shè)計(jì)策略損失目標(biāo)函數(shù)如下：

（21）

綜上所述，DQAC 推抓技能自監(jiān)督學(xué)習(xí)算法描述

如下。

算法 1 DQAC 推抓技能學(xué)習(xí)算法

輸入：當(dāng)前狀態(tài) s

輸出：Q，π*

1：初始化視覺網(wǎng)絡(luò)參數(shù) ω 和動(dòng)作策略網(wǎng)絡(luò) π（φ），

值網(wǎng)絡(luò) Qu1

，Qu2

，目標(biāo)值網(wǎng)絡(luò)—Qu1

，—Qu2

2：u1 ← u1，u2 ← u2

3：初始化圖像經(jīng)驗(yàn)池 D 和特征經(jīng)驗(yàn)池 Dc

，定義 M

4：迭代次數(shù) < M：

5: 計(jì)算置信度 Q 值：

ACADEMIC FRONTIER 學(xué)術(shù)前沿

中國(guó)自動(dòng)化學(xué)會(huì)通訊??第 43 卷??第 9 期??總第 228 期??2022 年 9 月 047

6：根據(jù)功用性圖最大 Q 值，得到機(jī)器人工作點(diǎn)位

置 p（x，y， ）和旋轉(zhuǎn)角度 θ

7：初始化特征狀態(tài)信息 s

c

8：at~π?（at|s

c

t）# 根據(jù)策略選擇執(zhí)行動(dòng)作

9：選擇執(zhí)行動(dòng)作 at

10：s

c

t+1 ~ p（s

c

t+1 | s

c

t，at）# 轉(zhuǎn)移概率更新下一特征

狀態(tài)

11：環(huán)境反饋獎(jiǎng)勵(lì)值 r，r

c

12：策略函數(shù)計(jì)算：

13：計(jì)算損失函數(shù)，優(yōu)化目標(biāo)，更新網(wǎng)絡(luò)參數(shù)

14： # 更新策略網(wǎng)絡(luò)參數(shù)

15： # 更新值網(wǎng)絡(luò)參數(shù)

16： # 更新溫度參數(shù)

17： # 目標(biāo)網(wǎng)絡(luò)參數(shù)進(jìn)行軟更新

18：st+1=st，s

c

t+1=s

c

t

19：將元組存儲(chǔ)到圖像經(jīng)驗(yàn)池和特征經(jīng)驗(yàn)池中

20：下一步訓(xùn)練，在 2 個(gè)經(jīng)驗(yàn)池分別采樣（st,st+1，

a，r）和（s

c

t，s

c

t+1，a，r

c

）

21：直到迭代次數(shù) > M

4　實(shí)驗(yàn)與結(jié)果（Experiment and results）

4.1　仿真環(huán)境搭建

為了驗(yàn)證機(jī)器人采用本算法抓取目標(biāo)物體的性

能，使用 V-REP 3.5.0［31］動(dòng)力學(xué)仿真軟件模擬機(jī)

器人在未知環(huán)境下對(duì)目標(biāo)物體的抓取。該軟件內(nèi)部

的運(yùn)動(dòng)學(xué)模塊可準(zhǔn)確地模擬真實(shí)機(jī)器人的運(yùn)動(dòng)軌

跡，同時(shí)還具有重力等物理引擎，可模擬真實(shí)物體

屬性。使用 RGB-D 相機(jī)采集工作空間狀態(tài)信息。

該相機(jī)由被動(dòng) RGB 相機(jī)和主動(dòng)深度傳感器組成，

除了提供 RGB 圖像外還提供每個(gè)像素的深度信息，

可將每個(gè)像素的深度值快速轉(zhuǎn)換為點(diǎn)云信息用于

3D 感知。

建立了圖 8 所示的仿真實(shí)驗(yàn)環(huán)境。建立裝有 RG2

夾具的 UR5 機(jī)械臂模型，并在工作空間正上方與斜上

方 45°的位置安裝 RGB-D 相機(jī)，該相機(jī)會(huì)在每次機(jī)

械臂執(zhí)行完動(dòng)作后進(jìn)行圖像采集，提供完整的且大小

為 640×480 的深度信息。

圖 8　V-REP 仿真環(huán)境與圖像信息

仿真硬件配置為 3.6GHz Intel Core i9-9900 k

CPU 和 NVIDIA 2070S GPU，操作系統(tǒng)為 Ubuntu

18.04 LTS，V-REP 的版本為 3.5.0 的教育版，采用

0.4 版本的 PyTorch 框架來訓(xùn)練網(wǎng)絡(luò)模型。

4.2　訓(xùn)練階段

在訓(xùn)練階段，待抓取的目標(biāo)物體的顏色、形狀及

位置隨機(jī)，機(jī)器人通過不斷試錯(cuò)尋找最優(yōu)策略來實(shí)現(xiàn)

未知環(huán)境下對(duì)目標(biāo)物體的成功抓取。該階段采用特征

提取網(wǎng)絡(luò) RGSA-Net 生成推動(dòng)和抓取功用性圖，采

用 DQAC 框架選取最優(yōu)動(dòng)作，前期采用初始探索概率

為 0.50 的 ε 貪婪策略進(jìn)行探索，且概率隨訓(xùn)練回合數(shù)

增加而減小，并采用最大貪婪策略與動(dòng)作分類策略探

索推、抓動(dòng)作之間的協(xié)同，自監(jiān)督訓(xùn)練的回合數(shù) M 取

2500。如圖 1 所示，在仿真環(huán)境中雜亂放置了 m 個(gè)隨

機(jī)目標(biāo)塊和 n 個(gè)不同形狀的基本塊，機(jī)器人通過協(xié)調(diào)

推抓動(dòng)作實(shí)現(xiàn)對(duì)目標(biāo)物體的成功抓取。

為了驗(yàn)證本方法的有效性，將其與其他 4 種方法

在訓(xùn)練階段的抓取性能進(jìn)行了對(duì)比。

（1）RAND：一種不經(jīng)過監(jiān)督訓(xùn)練而采取隨機(jī)像

素點(diǎn)抓取的方法；

學(xué)術(shù)前沿 ACADEMIC FRONTIER

048 COMMUNICATIONS OF CAA Vol.43, No.09, Serial No.228, September, 2022

（2）Grasping-only［24］：一種貪婪的確定性抓

取策略，它使用單個(gè) FCN（全卷積網(wǎng)絡(luò)）進(jìn)行抓取，

該網(wǎng)絡(luò)使用二分類（來自試錯(cuò)）的監(jiān)督。此策略下的

機(jī)器人僅執(zhí)行抓取動(dòng)作；

（3）VPG［24］：提出面向目標(biāo)的抓取任務(wù)，使用

基于 DQN 的強(qiáng)化學(xué)習(xí)框架訓(xùn)練推、抓之間的協(xié)同實(shí)

現(xiàn)目標(biāo)抓?。粚?duì)于給定目標(biāo)物體，使用 2 個(gè)動(dòng)作全卷

積網(wǎng)絡(luò)映射動(dòng)作 Q 值。

（4）GIT［25］：一種深度強(qiáng)化學(xué)習(xí)方法，使用目

標(biāo)分割網(wǎng)絡(luò)提取特征來增強(qiáng)機(jī)器人感知，基于 DQN

二分類器進(jìn)行機(jī)器人推動(dòng)與抓取訓(xùn)練。

4.2.1　性能展示

訓(xùn)練階段執(zhí)行動(dòng)作次數(shù)的最大閾值設(shè)置為 30，當(dāng)

動(dòng)作數(shù)超過閾值或整個(gè)工作區(qū)域無(wú)目標(biāo)物體時(shí)，重置

抓取環(huán)境開啟新一輪的抓取訓(xùn)練，該過程中隨機(jī)指定

目標(biāo)物塊。使用不同算法對(duì)機(jī)器人進(jìn)行 2500 次的訓(xùn)

練，不同算法的耗時(shí)如表 1 所示。圖 9 繪制了機(jī)器人

在不同方法下的抓取成功率。

4.2.2 性能分析

從表 1 和圖 9 可見，在訓(xùn)練過程中，RAND 算

法訓(xùn)練耗時(shí)最短，但其面對(duì)目標(biāo)抓取任務(wù)時(shí)忽略環(huán)

境而采取隨機(jī)策略選擇動(dòng)作，使得抓取成功率極低。

Grasping-only 算法中加入了卷積神經(jīng)網(wǎng)絡(luò)處理視

覺輸入，訓(xùn)練耗時(shí)較 RAND 算法有所增加，但其僅

采用抓取動(dòng)作，忽略了雜亂環(huán)境對(duì)目標(biāo)任務(wù)的影響，

表 1　不同算法 2500 次訓(xùn)練耗時(shí)

方法 訓(xùn)練耗時(shí) /h

RAND 4.45

Grasping-only 5.58

VPG 6.33

GIT 5.72

RGSA-Net 6.15

DQAC 5.84

RGSA-Net + DQAC 6.24

圖 9　抓取成功率對(duì)比