1、 机器人 4.0 白皮书 I 目 录 1. 迈向云-边-端融合的机器人 4.0 时代 . 1 1.1. 数字经济的基础设施和发展趋势 . 1 1.2. 机器人技术发展主要阶段分析 . 1 1.3. 应用领域分析和大规模商用的难点 . 2 1.4. 机器人 4.0 的定义和发展机会 . 3 1.5. 白皮书结构说明 . 4 2. 人工智能和 5G 通讯技术推动机器人架构创新 . 4 2.1. 人工智能技术演进和应用现状 . 4 2.2. 5G 通讯技术的演进和应用现状 . 5 2.3. 云端大脑对机器人能力的增强 . 6 2.4. 边缘计算对机器人服务的提升 . 6 2.5. 云-边-端一体化对

2、机器人系统的支撑 . 7 3. 机器人 4.0 核心技术 . 7 3.1. 云-边-端的无缝协同计算 . 8 3.2. 持续学习和协同学习 . 9 3.3. 知识图谱. 10 3.4. 场景自适应 . 10 3.5. 数据安全. 11 4. 云端大脑和安全专网的实践与思考 . 12 4.1. 云端智能机器人架构 . 12 4.2. 云端机器人大脑 . 12 4.3. 机器人安全专网的实践 . 13 5. 边缘智能支持多机器人协作的实践与思考 . 15 5.1. 工业机器人发展趋势 . 15 5.2. 多机协作应用 . 16 机器人 4.0 白皮书 II 5.3. 多机器人边缘智能系统架构 .

3、17 6. 服务机器人的场景认知、进化和业务赋能的思考 . 19 6.1. 服务机器人多源异构数据协同认知 . 19 6.2. 云端一体架构支撑下的服务机器人认知进化 . 20 6.3. AIOT 技术浪潮背景下服务机器人如何赋能业务 . 21 6.3.1. 服务机器人与业务场景的深度连接 . 21 6.3.2. 案例简析：服务机器人 AIOT 赋能智慧银行、智慧检务 . 21 6.3.3. 展望：AIOT 领域服务机器人的市场机遇 . 23 7. 协同创新与合作共赢 . 23 7.1. 机器人 4.0 的基础通用参考平台 . 24 7.2. 知识融合. 25 7.3. 众包与群体智慧 . 2

4、5 7.4. 仿真训练. 25 7.5. 机器人即服务 . 25 8. 总结与展望 . 26 参考文献 . 27 术语表 . 28 致 谢 . 29 机器人 4.0 白皮书 1 1. 迈向云-边-端融合的机器人 4.0 时代 1.1. 数字经济的基础设施和发展趋势 近年来，数字经济正在席卷全球，全球经济向数字经济迁移已经势在必然，数字经济已经 成为国家的核心竞争力。据上海社科院测算，2016年到 2018年，中国数字经济对 GDP增长的 贡献率分别达到了 74.07%、57.50%和 60.00%。预计 2019 年中国数字经济增长仍将占到 62.50%1。 数据成为驱动经济增长的核心生产要素

5、。大数据和云计算等技术的融合，推动了物联网的 迅速发展，实现了人与人、人与物、物与物的互联互通，导致数据量呈现爆发式增长。数据如 同农业时代的土地、劳动力，工业时代的技术、资本一样，已成为数字经济时代的生产要素， 而且是核心的生产要素。数字技术出现后，网络和云计算成为必要的信息基础设施。随着数字 经济的发展，数字基础设施的概念更广泛，既包括了信息基础设施，也包括了对物理基础设施 的数字化改造2。 近年来，移动互联网、大数据、云计算、物联网、人工智能等信息技术的突破和融合发展 促进了数字经济的快速发展。数字经济驱动未来，数字经济成为经济社会发展的主导力量。作 为硬科技代表的机器人行业，将利用数字

6、经济中的技术红利加速机器人的落地。人工智能、 5G通讯、计算的模式等都对机器人领域有着潜在而巨大的贡献。 1.2. 机器人技术发展主要阶段分析 2017年，中国信息通信研究院、IDC国际数据集团和英特尔共同发布了人工智能时代的 机器人 3.0 新生态白皮书3，其中把机器人的发展历程划分为三个时代，分别称之为机器人 1.0、机器人 2.0、机器人 3.0。 图 1：机器人发展阶段示意图 机器人 1.0（1960-2000） ，机器人对外界环境没有感知，只能单纯复现人类的示教动作， 在制造业领域替代工人进行机械性的重复体力劳动。机器人 2.0（2000-2015） ，通过传感器和 数字技术的应用构

7、建起机器人的感觉能力，并模拟部分人类功能，不但促进了机器人在工业领 机器人 4.0 白皮书 2 域的成熟应用，也逐步开始向商业领域拓展应用。机器人 3.0（2015-） ，伴随着感知、计算、 控制等技术的迭代升级和图像识别、自然语音处理、深度认知学习等新型数字技术在机器人领 域的深入应用，机器人领域的服务化趋势日益明显，逐渐渗透到社会生产生活的每一个角落。 在机器人 2.0的基础上，机器人 3.0实现从感知到认知、推理、决策的智能化进阶。 1.3. 应用领域分析和大规模商用的难点 当前，全球机器人市场规模持续扩大，工业机器人市场增速稳定，服务机器人增速突出。 2018年，全球机器人市场规模达

8、298.2亿美元，2013-2018 年的平均增长率约为 15.1%4。在装 备制造领域，机械臂凭借强大的负重能力和精准的抓取操作代替着工人的双手；在物流领域， 智能仓储机器人和无人搬运车不断提高着运输效率；在生活服务领域，家用清洁机器人和服务 机器人正成为许多家庭的私人保姆和小秘书。 工业工业制造制造领域分析领域分析 目前，工业机器人在汽车、金属制品、电子、橡胶及塑料等行业已经得到了广泛的应用。 随着性能的不断提升，以及各种应用场景的不断清晰，2013 年以来，工业机器人的市场规模 正以年均 12.1%的速度快速增长，预计到 2020年将达到 230 亿美元的销售额4。随着人力成本 的上升，

9、工业制造领域的应用前景良好，将会保持快速增长的势头。同时，工业机器人需要拥 有更高的灵活性、更强的自主避障和快速配置的能力，提高整体产品的易用性和稳定性。 消费消费服务领域分析服务领域分析 服务机器人虽然整体销售额低于工业机器人，但近几年一直维持着较高的年增长率，商用 服务机器人在商场、银行、酒店、机场等应用场景有了更多的落地部署，主要提供导览、问询、 送物等基础服务。同时，家用服务机器人悄然进入千家万户，扫地机器人销量在家用服务机器 人销量中占主要份额，成为目前家务机器人中的主导品类。由于本体能力不足，隐私、安全方 面的问题，家庭管家机器人和陪伴型机器人的市场渗透率较低。2013 年以来全球

10、服务机器人 市场规模年均增速达 23.5%，预计 2020年将快速增长至 156.9亿美元4。 从整个技术发展和市场环境看，机器人产业拥有以下发展推力： 成熟的生态系统 老龄化人口趋势和新兴市场 更多智能产品互联和智能家庭建设 人工智能、自然语言理解能力的增强 大规模商用的难点大规模商用的难点 在以上几点的助推下，机器人产业会继续快速发展，但要达到大规模商用，还有很多难点 需要解决。 首先，机器人目前的能力不能满足用户期望，缺少关键场景。得益于人工智能带来的红利， 近年来机器人感知能力提升明显，可以通过视觉进行人脸识别，做语音交互。但是要真正替代 人类的劳动时间，做一些实际工作，机器人除了要具

11、备感知能力，还要能够理解和决策。机器 机器人 4.0 白皮书 3 人需要有记忆、场景理解的能力，拥有知识，才能够优化决策，自主实施工作，并进行个性化 演进。目前的机器人依然缺少令人瞩目和必不可少的应用场景，大部分人对于在家中拥有一个 机器人没有很高的兴趣。在机器人提高自身能力，完成特定和复杂问题之前，这一比例将维持 低水平。 其次，价格高，不成规模。传感器和硬件的价格一直在下降，但是机器人的价格依然很高， 不能被广泛的市场用户接受，没有形成市场规模。扫地机器人由于较低的价格，目前快速的进 入大众家庭。但是对于大多数类别的机器人，特别是具有更强功能、高精度移动底盘、机械臂 的机器人，价格依然是一

12、个痛点。 第三，隐私、安全和数据保护问题亟待解决。随着机器人的应用领域越来越广泛，其物理 安全和用户的数据安全问题更加凸显。在与机器人的交互过程中，机器人会不断收集用户的图 像、语音、行动数据进行导航和决策，这些数据有的在本地处理，有的在云端处理，人们对这 些数据的安全抱有疑虑。对于能够自由移动的服务机器人和拥有机械臂的工业机器人，保证机 器人自身的物理安全，不被恶意攻击，避免造成人身伤害也至关重要。 1.4. 机器人 4.0 的定义和发展机会 机器人 3.0 预计将在 2020 年完成，在此之后，机器人将进入 4.0 时代，把云端大脑分布在 从云到端的各个地方，充分利用边缘计算去提供更高性价

13、比的服务，把要完成任务的记忆场景 的知识和常识很好的组合起来，实现规模化部署。机器人除了具有感知能力实现智能协作，还 具有理解和决策的能力，达到自主的服务。在某些不确定的情况下，它需要叫远程的人进行增 强，或者做一些决策辅助，但是它在 90%，甚至 95%的情况可以自主完成任务。 要达到这一目标，首先需要利用人工智能和 5G 技术。利用人工智能技术提高机器人本体 感知能力的同时，提升个性化自然交互能力。利用 5G 技术，大大缩短从终端到接入网的时间， 带宽大幅度上升，很多东西可以放到边缘端，加入更多的计算能力，包括云端大脑的一些扩展， 助力机器人规模化部署。 图 2：实现机器人跳跃式发展 机器

14、人 4.0 白皮书 4 类似互联网的三级火箭发展模式，第一阶段关键场景，把握垂直应用，提高场景、任 务、能力的匹配，提高机器人在关键应用场景的能力，扩大用户基础；第二阶段人工增强， 通过加入持续学习和场景自适应的能力，延伸服务能力，取代部分人力，逐步实现对人的替代， 让机器人的能力满足用户预期；第三阶段规模化，通过云-边-端融合的机器人系统和架构， 让机器人达到数百万千万级水平，从而降低价格成本，实现大规模商用。 1.5. 白皮书结构说明 本白皮书由英特尔、达闼科技、新松机器人、科沃斯商用机器人共同发布，分为八章。第 一章分析机器人发展情况，并定义机器人4.0；第二章阐述人工智能和5G通讯技术

15、推动机器人 架构创新，并提出云-边-端融合的机器人系统和架构；第三章重点分析机器人 4.0 所需的核心 技术；第四章探讨云端大脑和安全专网；第五章讨论边缘智能如何支持多机器人协作；第六章 思考服务机器人的场景认知、进化和业务；第七章描述协同创新与合作共赢的关键领域和方向； 第八章进行总结与展望。 2. 人工智能和 5G 通讯技术推动机器人架构创新 2.1. 人工智能技术演进和应用现状 人工智能技术的正式提出始于 1956 年，到目前为止已经取得不少进展。从技术上而言， 可以初略划分为两类方法，一类是符号方法，一类是统计方法(支持向量机，神经网络，深度 学习都可以归为这一类)。 人工智能的发展可

16、以大致分为两个阶段，1990 年以前主要是符号方法，包括基于规则， 逻辑等。八十年代的基于知识库的专家系统是这个时期人工智能走向应用的一个尝试，取得了 一定的成果，但也很快显现了这类方法的问题，比如相对开放领域的知识库很难建立完整（尤 其是常识知识很难表示完全)，知识库增大后知识推理的组合爆炸，缺乏学习能力等问题。上 世纪 90 年代开始，统计方法开始盛行，取得了不少的进展，包括支持向量机等机器学习方法， 并广泛应用于语音识别，自然语言处理，计算机视觉，数据挖掘等领域。从 2012 年开始，深 度学习方法在计算机视觉，语音识别方面取得了较大的突破，不少任务的性能在大规模数据集 上面得到大幅度提

17、升。人工智能尤其是深度学习方法已经在不少领域开始广泛应用，包括语音 识别，人脸识别等，作为机器人 3.0 的核心技术，在机器人的应用中起到了重要的作用。近年 来人们发现了困扰传统机器学习方法的一些问题，如鲁棒性、可解释性，小数据学习在深度学 习方法的框架下仍然没有得到解决。 总体说来，人工智能技术 60 多年来取得了不少的突破，但也存在不少亟待解决的问题。 人工智能之父明斯基在发布他的新书之前发表的一篇论文5也深刻地指出，目前人工智能的进 展低于他的期望，其中一个主要原因是主流的方法（符号方法，统计方法或更细分的方法）都 是想基于单一方法来解决人工智能问题，而真正的人类智能则是有机地结合了多种

18、方法并进行 选择应用的结果，未来的人工智能需要走这个方向才能进一步突破。机器人领域的应用对人工 智能提出了尤其更高的要求，这也就需要在人工智能领域取得更多的突破。 机器人 4.0 白皮书 5 2.2. 5G 通讯技术的演进和应用现状 5G 是第五代移动通信技术的简称，5G 标准自 2016 年在 3GPP 正式开始立项，于 2017 年 12 月完成了 5G R15 非独立组网的标准制定，支持在 4G 网络下同时部署 5G 网络，并于 2018 年 6月完成了 5G R15独立组网的标准制定。目前 5G在各个国家开始了实验性部署。在国内， 三大运营商从 2018 年开始 5G 实验网的测试，2

19、019 年已经在部分城市完成了在 sub-6Ghz 频段 以下的 5G 规模测试。5G 实验网峰值速率可以达到 10Gbps，在密集部署城区平均速率达到了 100Mbps，在低时延模式下，5G终端和基站传输时延达到1毫秒以内，满足了ITU最初制定的 5G 需求6。2019年 6 月，国内正式发布了 5G 的牌照，中国移动、中国联通、中国电信和广电 开始了商用部署。4G技术从 2008年 3GPP release8标准完成到 2013年 4G牌照的发布用了 5年 时间，5G从标准完成到牌照的发布只用了一年，凸显了国内 5G 发展的迫切和重要。 图 3：5G 支持的业务 除了网络传输能力的提升，5

20、G 还制定了非常灵活的空中接口和核心网标准，增强了对不 同业务支持的能力，相对于 4G 以移动宽带（MBB）为主的应用，5G 的应用领域进一步加强 移动宽带业务（eMBB） ，比如高清/全景视频，移动 VR/AR 等等，同时 5G 的应用拓展到海量 连接的物联网（mMTC）和高可靠低时延（URLLC）的业务。URLLC 的业务包括车联网、自 动驾驶、远程医疗、工业自动化等应用。国内的 5G Sub-6Ghz 频段部署， eMBB, URLLC, mMTC 应用都可以得到很好的支持。在高频段，比如 28GHz 左右，目前在国内还在实验阶段， 高频段将主要支持eMBB应用。对于云端机器人应用，既有

21、时延和可靠性要求不高的应用，比 如数据备份、训练数据的采集等等，也有实时视频传输交互，还有对时延和可靠性要求非常高 的机器人的运动控制、远程操控等等。这些应用，可以在 5G 网络上，通过灵活的配置得到更 好的支持。 对于 5G 的应用，其最初的商用部署是针对 eMBB 业务，比如 5G 的手机等等，由于标准 和网络设备的复杂性，5G 设备和网络的功能会根据需求演进。如果 eMBB 模式不能完全满足 机器人 4.0 白皮书 6 需求，就需要积极和运营商、设备商沟通、合作，推动对该业务的支持。同时 5G的 标准也在 不断的演进，目前 5G R16 版本的标准正在制定过程中，计划将于 2019年底完

22、成。R16版本将 包含对 5G 网络效率的提升和应用的增强，比如对车联网、工业 IoT 和 URLLC 业务的增强。 5G 网络的持续演进将进一步增强网络的能力和灵活性，满足机器人 4.0 的云-边-端的更高的互 联要求。 2.3. 云端大脑对机器人能力的增强 2010 年提出的云机器人概念引入了云端大脑，机器人尝试引入云计算、云存储及其它云 技术，达到机器人融合基础设施和共享服务的优点7。相比于独立的机器人本体，连接云端大 脑后的机器人拥有以下四个核心优势。 信息信息和知识和知识共享共享：一个云端大脑可以控制很多机器人，云端大脑可以汇集来自所有连 接机器人的视觉、语音和环境信息，经云端大脑智

23、能分析处理后的数据信息可以被所 有连接机器人使用。利用云服务器，各机器人本体获取和处理的信息可以保持最新， 并安全备份。 平衡计算负载平衡计算负载：一些机器人功能需要较高的计算能力，利用云端平衡计算负载可以降 低机器人本体的硬件需求，在保证能力的同时，让机器人更轻、更小、更便宜。 协同合作协同合作：通过云端大脑，机器人本体不再独立工作，多机器人可以协同工作，例如 共同搬运货物，配合完成一整套工作流程等。 独立于本体持续升级：独立于本体持续升级：借助云端大脑，机器人可以独立于本体持续升级，不再依赖于 本体硬件设备。 2.4. 边缘计算对机器人服务的提升 IoT 应用的快速发展，使得大量数据在网络

24、边缘产生，推动了边缘计算的产生和发展。边 缘计算的提出始于 4G 时代，将计算和存储资源部署到网络边缘，不仅可以减少核心网和互联 网上的流量，还可以显著降低传输时延，提高网络可靠性。 低时延的业务需要终端、移动蜂窝网（接入网和核心网） 、互联网、数据中心的端到端的 保障。目前的测试结果表明 5G 手机和基站的数据通路延时可以达到 4 毫秒，在 URLLC 模式 下，手机和基站的延时可以达到 1毫秒以下，相比 4G的 20毫秒提高了 20倍左右6。对于互联 网和数据中心的时延，一般情况下由于地理位置分布广和未针对低时延优化，从核心网网关到 互联网数据中心可在几十到几百毫秒之间。在 5G 中，其核

25、心网引入了分布式网关，网关可以 下沉到基站附近，边缘服务器可以直接连接到分布式网关上，大大降低网络的端到端时延。 边缘计算的引入将解决终端能力受限和云计算的实时响应的问题，增强机器人云端大脑的 实时响应能力，对于满足机器人 4.0 的要求十分关键，比如实时的推理、场景理解、操控等等。 边缘计算和云计算的结合，将突破终端的计算能力和存储的限制，提高 AI 算法的训练和推理 能力，比如提升精度和降低训练时间。同时将大部分机器人的智能布署在边缘和云端，通过协 作和不断的训练，持续不断的提高机器人智能，比如通过边缘计算能更好的支持实时的多机协 作，支持实时的知识图谱提取、理解和决策，持续不断的提高机器

26、人的智能。边缘计算和云计 机器人 4.0 白皮书 7 算还可以解决机器人终端升级维护的困难，在机器人本体的生命周期内不断升级，提高机器人 的能力，增强数据安全和隐私保护，充分利用摩尔定律带来的性能提升。 2.5. 云-边-端一体化对机器人系统的支撑 云-边-端一体化构建了一个通过机器人提供多样化服务的规模化运营平台。其中，服务机 器人本体是服务的实施者，而实际功能则根据服务的需要无缝地在终端计算（机器人本体） 、 边缘计算和云计算之间分布和协同。机器人系统类似现在智能手机上的各种 APP，主要关注如 何实现高性价比的多模态感知融合、自适应交互和实时安全计算。 多模态感知融合：多模态感知融合：为

27、了支持机器人的移动、避障、交互和操作，机器人系统必须装备 多种传感器（如摄像头、麦克风阵列、激光雷达、超声波等）。同时，环境里的传感 器可以补足机器人的物理空间局限性。大部分数据需要在时间同步的前提下进行处理， 并且调用不同复杂度的算法模块（例如 SLAM，图像处理，人和物体的识别等）。机 器人硬件系统和边缘计算需要协同来支持（可能来自多个机器人的）多传感器数据同 步和计算加速，因此应该采用能灵活组合 CPU、FPGA 和 DSA (Domain-Specific Accelerator）的异构计算平台。另一部分没有强实时性要求的感知任务（如人的行为 识别、场景识别等），可以由云计算支持。 自

28、适应交互：自适应交互：为了支持机器人的个性化服务和持续学习能力，需要将感知模块的输出 与知识图谱结合对环境和人充分理解，并且逐步提取和积累与服务场景和个人相关的 个性化知识。通用知识和较少变化的领域知识应该存放在云端，而与地域和个性化服 务相关的知识应该存放在边缘或者终端。无论知识存放在哪里，在机器人系统中应该 有统一的调用接口，并可以保证实时通讯。基于 ROS2 构造涵盖终端和网络侧的软件 系统框架可以满足未来的需求。 实时安全计算：实时安全计算：未来的服务机器人应用将有大量需要实时响应的情形（如语音交互、 协同操作等） ，因此需要在边缘服务器部署相应的加速硬件。同时，机器人也将处理 大量涉

29、及用户隐私的数据（如视频、图像、对话等） 。云-边-端一体化架构需要构建隐 私数据的安全传输和存储机制，并且限定物理范围。对于可以进行物理操作的机器人， 要构建独立的安全监测机制，保证即使机器人系统被远程攻击劫持后也不会造成物理 安全损害。 3. 机器人 4.0 核心技术 在机器人 3.0 时代，服务机器人可以做到一些物体识别、人脸识别，在 4.0 时代需要加上 自适应能力。因为用深度学习做物体识别、人脸识别的时候需要很多的数据来源，但是真正到 家庭场景时没有那么多数据，这就要求机器人必须通过少量数据去建立识别能力，自己去找到 不同的位置，不同的角度做训练。 这些就是机器人 4.0 要做的，首

30、先对三维环境语义的理解，在知道它是什么的基础上，把 看到的信息变成知识，让存储就变得更加合理，而且可搜索，可查询，可关联，也可推理。应 用层可以根据这个知识和观测为现场场景做出智能的提醒，寻找物品，进行行为检测。例如， 机器人 4.0 白皮书 8 老人要出门，机器人的知识库告诉他，今天预报要下雨，但是检测到老人没有带伞，然后查询 伞的位置，机器人就可以把伞送到老人手里。这都是结合内部知识和外部情况所做的决策。 知识图谱在整个学术界和工业界越来越受到重视。获得图灵奖的杰夫辛顿教授在加入谷 歌的时候就说要建一个知识图谱给全世界用。阿里研究院发布2019年的十大技术趋势8里面也 专门提到了知识图谱的

31、重要性。这是人工智能迈向下一个阶段的必由之路，也是必做之事。 总结下来，机器人 4.0 主要有以下几个核心技术，包括云-边-端的无缝协同计算、持续学 习、协同学习、知识图谱、场景自适应和数据安全。 图 4：机器人 4.0时代的能力升级 3.1. 云-边-端的无缝协同计算 受制于网络带宽以及延迟的制约，当前绝大多数机器人 3.0 系统是以机器人本体计算为主， 云端处理非实时、大计算量的任务为辅的系统架构。机器人的主要任务可以简单划分为感知、 推理及执行三大部分。为了能够精准地感知理解环境以服务于人机交互，机器人系统通常集成 了大量的传感器，因而机器人系统会产生大量的数据。比如采用了高清摄像头，深

32、度摄像头， 麦克风阵列以及激光雷达等传感器的机器人，每秒钟可以产生 250MB 以上的数据量。如此海 量的数据全部传输到云端处理既不现实，也不高效。因此，需要将数据处理合理地分布在云- 边-端上。 另一方面，完成感知和理解的 AI 算法也非常复杂。机器人所使用的 AI 算法通常需要很强 的算力，例如 Faster RCNN 算法在 GPU 上可以达到 5fps 的处理能力，但是 GPU 的功耗达到 200W 以上，机器人本体很难承受，从计算成本而言同样也非常昂贵。虽然机器人本体计算平 台的计算能力仍在不断提高，但是相对于 AI 算法的需求依然有限。为了完成机器人的计算需 求，需要在云和边缘侧提

33、供算力的支持，以实现在大规模机器人应用场景下，更有效、更经济 的计算力部署。 机器人 4.0 白皮书 9 随着 5G 和边缘计算的部署，机器人端到基站的延迟可以达到毫秒级，使得 5G 的网络边 缘可以很好地支持机器人的实时应用。同时，边缘服务器可以在网络的边缘、很靠近机器人的 地方处理机器人产生的数据，减少对于云端处理的依赖，构成一个高效的数据处理架构。 云-边-端一体的机器人系统是面向大规模机器人的服务平台，信息的处理和知识的生成与 应用同样需要在云-边-端上分布处理协同完成。例如，汇集来自所有连接机器人的视觉、语音 和环境信息，加以分析或重构后，被所有连接的机器人所应用。 因此，在通常情况

34、下，云侧可以提供高性能的计算以及通用知识的存储，边缘侧可以更有 效的处理数据，提供算力支持，并在边缘范围内实现协同和共享，机器人终端完成实时的操作 和处理等基本机器人的功能。然而由于机器人的业务需求多种多样，协同计算的部署也不是一 成不变的，机器人 4.0 系统还要支持动态的任务迁移机制，合理的根据业务需求将不同的任务 迁移到云-边-端，实现云-边-端的无缝协同计算。 3.2. 持续学习和协同学习 在机器学习方面，机器人 3.0 主要是采用基于大量数据进行监督学习的方法，这也是目前 机器学习的主流方法，而在机器人 4.0，还需要加上持续学习和协同学习的能力，才能使得机 器人能够适应更复杂的应用

35、场景。 在 3.0 时代，服务机器人可以做到一些基本的物体识别、人脸识别，但由于机器人应用对 感知识别的正确率要求很高，尽管这些方法在别的要求不高的领域已经可以满足应用需求（例 如互联网搜索有 80%的正确率就够了） ，但对于机器人应用而言则远远不够。第一是机器学习 所固有的鲁棒性方面的问题，深度学习方法也不能幸免，识别结果可能出错，而且出错的时候 系统也不知道自己错了，这样就可能造成服务的失败和错乱。例如人需要机器人取东西 A，而 机器人却取了东西 B, 轻则闹笑话，引起用户不满，严重的可能会造成对用户的伤害（比如取 错药品的情况)。鲁棒性的问题是目前所有机器学习方法自身的一个通病，因为训练数据中总 是存在着长尾数据无法被准确识别，该问题