很多人都知道,韩国 将机器学习应用于实体机器人是充满挑战的，因为控制行为远比辨认图片中的国立k工物体繁琐得多。比如让工业机器人自学”抓取多种物品，大学动化让工业机器人通过看视频学会调制鸡尾酒，机电家F机器让工业机器人也用上自学习软件，系教学习在训练完一个加载在机器人上的授李首席游戏攻略手册机器学习系统后，还要将这个机器学习系统与特殊的群自器人机器人动作相适应，来达到工业机器人非常讲究地工业机器人和环境的科学融合。
但在工业机器人创新创业者眼里，业机这条路是中的重不可避免的。近日在东莞举办的韩国李群自动化年度发布会上，他们聘任了新的国立k工首席科学家Frank C.Park，韩国国立大学机电系教授。大学动化在演讲过程中，机电家F机器以一个生动的系教学习PPT向我们展示了工业机器人中的机器学习和也可以相当完美。以下是雷锋网截取的精华内容：
三菱电机的Kodaira说过，机器人行业迫切需要系统集成方面的创新，工业机器人只是一个部件，只有整合到系统里它才有价值。技能培训课程但是每个系统都需要专门定制，与其它系统的链接也需要花功夫。因此，整个工业机器人系统的成本往往是3倍到20倍机器人硬件的成本。而这其中，软件规划一项至少占了40%。
要打造符合时代趋势更好的工业机器人（工业机器人库），我们需要通过软件来提高。这其中包括最优规划生成（用最少的留学申请指南时间，损耗最小的能量）；任务的制定和优化；模拟（机器人工作单元中的模拟，工厂中的模拟）。
这张图是韩国工业机器人的发展历史：从韩国2002年出现韩国现代六轴机器人到现在irLib 2016极力推崇的动作规划。
这里我要讲的是，irLib除了单个机器人的优化，还能应用于多机器人，多任务的优化。具体包括，在多机器人多任务中，确定机器人的最佳位置，多机器人协同的任务。
下面以端到端的能量轨迹举例。在一个正常的机械臂中，输入扭矩减少30%－40%，能量损失就会减少5-6%。
当然，除了优化，工业机器人中的检验也很重要。
这时候今年各种AI会议上大热的机器学习就派上用场了，机器学习在检验中的重要性不言而喻。比如，基于视觉的机器学习，在查看智能机屏幕，产品标签时都要大量用到。比如，基于声音的机器学习，在检查耳机孔质量的时候能够用到。比如，在瓶口纹路检验的时候能够用到。
换而言之，只要是有感官输入的地方，都能在检验系统里用到相关的机器学习。最后，我想表达的是，我们的目标就是通过更先进的软件和算法，来达到更好的工业自动化。
小结：
在工业机器人中加入机器学习，根据业内人士的说法，目前还只是一个噱头多过于实践的现状。但也有一些人欣然尝试，比如去年十二月份，Fanuc在东京国际机器人展览会上就展示了一台经强化学习训练的机器人，这个机器人使用了一种名为深度强化学习的技术，来训练它自己，可随时学习新的任务。它在尝试拾起物品的同时，能够抓取这个过程的录像。不管每次它是成功了还是失败了，它都会记住物品长什么样的，用它学到的知识改进控制它行动的深度学习模型或大型神经网络。
但面对现在柔性化生产越来越高的呼声，我们不能再像过去一样，让工业机器人要执行一个繁琐的新任务时，就花上数周时间来重新编程，可以想象，如果机器人能够在胜任新工作之前看着别人先做一遍就“学会“这个新动作，这会让现在的工业机器人生产过程产生质的变化。也会让我们在工业4.0的赶超大潮中，不再跟国外的差距那么大。