A Survey of Research on Cloud Robotics and Automation
摘要
云是一种基础设施和广泛的互联网接入资源，有潜力为机器人和自动化系统提供巨大的好处。本次调查围绕四大潜在效益展开：1）大数据：图像、地图、轨迹和对象数据的访问存储库；2）云计算：根据统计分析、学习和运动规划的需要访问并行网格计算；3）集体机器人学习：机器人共享轨迹、控制策略和结果，4）人工计算：利用众包挖掘人类分析图像和视频、分类、学习和错误恢复的技能。云还可以通过提供对a）数据集、出版物、模型、基准和模拟工具的访问，以及b）设计和系统的公开竞争，以及c）开源软件来改进机器人和自动化系统。这项调查包括150多个结果和公开挑战的参考资料。
简述
云可以广泛的提高机器人和自动化系统的能力。按照National Institute Standards and Technology(NIST)定义的，云是"“a model for enabling ubiquitous, convenient, ondemand network access to a shared pool of configurable resources (e.g., servers, storage, networks, applications, and services) that can be rapidly provisioned and released with minimal management effort or service provider interaction"。比如谷歌的文档服务，不同于直接把本地的文档传给另一个人，代码和数据都是保存在云上，因此用户也无需关注软件的更新。
基于云的机器人和自动化系统可以如下定义“Any robot or automation system that relies on either data or code from a network to support its operation, i.e., where not all sensing, computation, and memory is integrated into a single standalone system”
谷歌的自动驾驶汽车就是一个例子。它对卫星、街景和云端众包收集和更新的地图和图像进行索引，以便于准确定位。另一个例子是用于仓库物流的Kiva系统托盘机器人。这些机器人通过无线方式与本地中央服务器通信，以协调路由并共享环境中检测到的更改的更新。
这项调查围绕着云计算的四个潜在好处展开：1）大数据：访问远程图像、地图、轨迹和对象数据库；2）云计算：访问并行网格计算（按需进行统计分析、学习和运动规划）；3）集体robOT学习：机器人共享轨迹、控制策略和结果，以及4）人类计算：利用众包访问远程人类专业知识来分析图像、分类、学习和错误恢复。这项调查还列举了一些例子，其中云可以通过促进访问a）数据集、出版物、模型、基准和模拟工具，b）设计和系统的公开竞争，以及c）开源软件来增强机器人和自动化系统。
大数据
云可以给机器人和自动化系统提供大规模的数据访问，这些数据是无法储存在本地的。大数据是数据的规模超过了常规数据库系统的处理能力。在大数据背景下，有许多富有挑战的问题，比如提出在大规模数据库上可以在规定时间内合理获得逼近值的算法。
Moblie Millennium是一个基于云的系统，可以通过手机中的GPS信息来获得并处理关于交通的信息，并获取关于噪声和空气质量的信息。
大数据也可以提高机器学习，比如在计算机视觉领域。
抓取问题是机器人中一个永恒的挑战。云资源可以帮助我们通过增量学习不断地提高抓取能力。
一个研究挑战是确定表示数据的跨平台格式。虽然传感器数据（如图像和点云）作为大量使用的格式，但即使相对简单的数据（如轨迹）也没有通用的标。另一个挑战是如何利用稀疏表示有效地传输数据，例如机器人和自动化系统的稀疏运动规划算法。从分布式源收集的大型数据集通常是“脏”的，带有错误、重复或损坏的数据，例如在机器人校准期间收集的三维位置数据。需要对脏数据具有鲁棒性的新方法。
云计算
大规模并行计算已经被谷歌云，亚马逊云，微软云等广泛的提供。最开始，这项服务主要被web开发者使用，但是目前，越来越多的科研任务和高性能计算开始使用这项服务。
传感、模型和控制的不确定性是机器人技术和自动化领域的核心问题。这种不确定性可以建模为位置、方向、形状和控制方面的扰动。云计算是基于样本的蒙特卡洛分析的理想选择。例如，并行云计算可用于计算对象和环境姿态、形状和机器人对传感器和命令的响应中许多可能扰动的交叉积结果。这一观点正在医学和粒子物理学中进行探索。
基于云的采样可用于计算存在形状不确定性时的鲁棒抓取（见图6）。该抓取规划算法接受一个名义多边形轮廓作为输入，该轮廓在每个顶点和质量中心周围具有高斯不确定性，并使用平行采样根据实现力闭合的概率的下限计算抓取质量度量。
重要的是要认识到云很容易产生不同的网络延迟和服务质量。有些应用程序对时间不敏感，例如整理房间或预计算抓取策略或机器调度的流程优化，但许多应用程序都有实时需求，这是一个活跃的研究领域。
集体机器人学习
云通过从物理试验和环境的许多实例中收集数据，促进了机器人学习数据的共享。例如，机器人和自动化系统可以共享初始和期望的条件、相关的控制策略和轨迹，以及重要的：结果性能和结果的数据。
“Lightning”框架提出了一个集体机器人学习框架，通过索引多个机器人在多个任务中的轨迹，并使用云计算进行并行规划和轨迹调整。
对于抓取，可以从以前对物体的抓取中学习到固定接触的抓取稳定性。通过集体机器人学习共享数据也可以提高有限计算资源机器人的能力。
Robotshop的Myrobots项目为机器人提出了一个“社交网络”：“就像人类从社交、协作和共享中受益一样，机器人也可以通过共享传感器信息来从这些交互中受益，从而洞察他们当前的状态。Robobrain项目“从公共可用的互联网资源、计算机模拟和现实机器人试验中学习。
人工计算：众包和呼叫中心
人类的技能、经验和直觉正被用来解决许多问题，例如计算机视觉的图像标记以及对象标签和位置之间的学习关联。亚马逊的Mechanical Turk开创了按需“众包”的先河，在这个市场上，超过计算机能力的任务可以由人工完成。与自动电话预约系统不同，考虑一个未来的场景，机器人和自动化系统检测到错误和异常，然后与远程呼叫中心的人员联系以获取指导。研究项目正在探索如何将其用于路径规划，从图像中确定深度层、图像法线和对称性，以及重新定义图像分割。
OPEN-SOURCE AND OPEN-ACCESS
云通过对a）数据集、出版物、模型、基准和模拟工具的访问b）设计和系统的公开竞争；c）开源软件。支持云机器人和自动化的发展。
开源软件的成功使得开源软件被机器人和自动化社区广泛接受。最基本的例子就是ROS,Robot Operating System, 这个提供了帮助软件开发者开发机器人应用的库和工具。
此外，许多机器人仿真库现在是开放源码的，允许学生和研究人员快速建立和适应新系统，并共享由此产生的软件。有许多开源模拟库，包括bullet、最初用于视频游戏的物理模拟器、OpenRave和Gazebo、专门针对机器人的模拟环境、oopsmp运动规划库和graspit！一个抓取模拟器。这些库的开放源代码特性允许对它们进行修改以适应应用程序。
另一个令人兴奋的趋势是开源硬件，在那里可以免费获得CAD模型和设备构造的技术细节。Arduino项目是一个广泛使用的开源微控制器平台，有许多不同的传感器和执行器可用，并已在许多机器人项目中使用。Raven是一种开放式结构的腹腔镜手术机器人，作为一个研究平台开发，比商业手术机器人便宜一个数量级。3D打印（也称为添加剂制造）的最新进展将对许多领域产生重大影响，包括开发开源硬件设计。
云促进了开放式挑战和设计竞赛，这些挑战和设计竞赛可以吸引不同地域分布的创新者群体。
比如DARPA Robotics Challenge (DRC) 这个挑战赛，主办方通过云服务平台来测试参赛者提供的作品在一系列灾难反应的任务中的表现。UltraAffordable Educational Robot Challenge是另外一个比较出名的挑战赛。
挑战与未来的方向
安全与隐私问题。云天然地和安全隐私问题密切相关，特别是机器人和自动化系统可能把来自家庭的图片，录像，声音等上传到云端，这极大提高了隐私泄露的风险。另外，这也意味着利用云端，远程攻击这些机器人和自动化系统成为了可能。
我们要提出新的算法来应对云端网络延迟和服务不稳定的情况。尽管有线网络和无线网络的数据连接，网络时延都在不断改善，但是我们的算法依然要在时延条件不好的情况下能够很好地递减服务。比如演讲地语音识别系统可能会受时延等地限制。我们要在规定的时延内设计算法使其能得到比较好的近似的答案。
另外，我们要设计新算法来适应大规模的数据。目前的大数据大都包含了“脏数据”，我们需要新的算法清理和取样这些数据。另外，对于并行的云系统，我们必须要考虑少量节点失效的情况。
将机器人和自动化系统的算法迁移到云端需要框架的支持，这种框架从地向上可以分为三类：操作系统级，平台级和软件级。
