中文字幕精品一区二区精品_久久一二三区_亚洲韩日在线_日韩中文字幕视频

2018年7月28-29日，由中國自動化學會主辦的第六期智能自動化學科前沿講習班在湖北·武漢華中科技大學成功召開，此次講習班由華中科技大學自動化學院院長曾志剛教授和清華大學胡曉林副教授共同擔任學術(shù)主任。

第六期講習班以“人工智能與智能控制”為主題，邀請了十余位領域相關的專家學者進行主題報告，來自全國各相關高校、科研院所及相關單位的百余位學員參加了此次講習班，共話人工智能與智能控制的現(xiàn)狀與前景。

講習班伊始，學術(shù)主任曾志剛院長進行致辭。曾院長代表華中科技大學自動化學院對各位專家及學員的蒞臨表示熱烈的歡迎。并指出，講習班系列為專家學者提供了探討熱點方向和交流學術(shù)進展的平臺，衷心希望各位學員能夠通過此次講習班碰撞出新的思想火花。

第一個進行報告的是中國科學院數(shù)學與系統(tǒng)科學研究院系統(tǒng)所所長張紀峰教授，張紀峰教授帶來的報告題目為“時間非一致性與隨機最優(yōu)控制”。對經(jīng)典的最優(yōu)控制問題，相應于給定時間-狀態(tài)初始對的最優(yōu)控制，將沿著最優(yōu)軌跡保持最優(yōu)；即以最優(yōu)軌跡上任何一點作為新的時間-狀態(tài)初始對，原有最優(yōu)控制在后續(xù)時間區(qū)間上的限制，將是相應于此新初始對的最優(yōu)控制。這一性質(zhì)稱為最優(yōu)控制的時間一致性，它可由Bellman最優(yōu)性原理推得。最優(yōu)控制的時間一致性雖然在經(jīng)典最優(yōu)控制理論中很少被提及，但事實上它是一個本質(zhì)性的概念，現(xiàn)有的Bellman動態(tài)規(guī)劃理論主要依賴于時間一致性這一性質(zhì)。 然而，現(xiàn)實世界中存在大量動態(tài)優(yōu)化問題，對它們而言，Bellman最優(yōu)性原理不再成立，進而最優(yōu)控制的時間一致性也將丟失，即所考慮問題是時間非一致的；如下幾種情形經(jīng)常被文獻提及：(i) 指標泛函中的貼現(xiàn)函數(shù)是非指數(shù)的，(ii) 指標泛函中存在條件期望的非線性項，(iii) 指標泛函是初始狀態(tài)顯式依賴的。這些現(xiàn)象廣泛存在于經(jīng)濟學和金融學領域，比如雙曲貼現(xiàn)函數(shù)，準幾何貼現(xiàn)函數(shù)，均值-方差效用函數(shù)等。張紀峰教授的報告詳細介紹了時間非一致性，揭示了時間非一致性自Adam Smith以來的定性分析和概念萌芽，闡述其在金融學和經(jīng)濟學中的定量分析和成功運用，描述了系統(tǒng)控制領域的相關研究進展，強調(diào)了研究隨機最優(yōu)控制領域內(nèi)時間非一致的必要性。

隨后由清華大學類腦計算研究中心主任施路平教授帶來了題為“類腦計算及類腦計算系統(tǒng)”的報告。類腦計算系統(tǒng)是借鑒人腦信息處理方式，打破“馮?諾依曼”架構(gòu)束縛，適于實時處理非結(jié)構(gòu)化信息、具有學習能力的超低功耗新型計算系統(tǒng)。當前歐盟、美國等均斥巨資長期支持此研究，但是這項研究目前均處于起步階段，尚未形成公認技術(shù)方案。施路平教授的報告分別從為什么（why）？做什么（what）？和怎樣做（how）？三方面來分析類腦計算系統(tǒng)研究，分析發(fā)展類腦計算的挑戰(zhàn)和前景。

下午第一個為大家?guī)韴蟾娴氖侵袊詣踊瘜W會副理事長、澳門大學講座教授陳俊龍，陳俊龍教授的報告題目為“智能控制算法”。智能控制是來解決傳統(tǒng)控制方法難以解決的非線性、高度不確定性、信息不完全性、或者因人而產(chǎn)生復雜性等的具有復雜控制任務的問題。陳俊龍教授此次報告是討論基于人工神經(jīng)網(wǎng)絡理論、模糊數(shù)學理論、計算智能理論、及模式識別理論等為基礎而衍生出來的智能控制方法。課題包括：（1）神經(jīng)網(wǎng)絡控制；（2）模糊控制；（3）強化學習控制；（4）智能自適應控制；（5）基于遺傳算法的智能控制；（6）混合智能的控制。

?

下午第二個報告為清華大學孫富春教授作題為“基于視觸覺融合的目標識別與靈巧操作”的報告。為實現(xiàn)機器人柔和靈巧的操作能力，下一代機器人需裝備多模態(tài)的分布式感知與融合模塊，有望突破像人一樣的跨模態(tài)信息感知、表征/融合和動作行為。孫富春教授的報告介紹了清華大學課題組研制的高分辨率四模態(tài)傳感裝置和裝備有四模態(tài)人工皮膚/類肌肉驅(qū)動的五指靈巧手，該靈巧手的分布式傳感裝置包含了微視覺、壓力覺/滑覺和溫度覺傳感器。報告同時給出了研究團隊在跨模態(tài)的視觸覺信息的處理方面取得理論成果，包括基于視觸覺信息的目標識別以及感知-動作映射問題的深度學習和經(jīng)驗學習方法。報告的最后，孫富春教授為大家展示了實驗結(jié)果分析和未來的研究展望。

28日最后為大家?guī)韴蟾娴氖莵碜灾袊茖W院自動化研究所的王亮研究員，王亮研究員的報告題目為“AI時代視覺大數(shù)據(jù)的智能分析”。報告首先簡要介紹了人工智能的概念和現(xiàn)狀，然后介紹其重要的一個分支領域-計算機視覺。視覺大數(shù)據(jù)分析是模式識別的前沿方向。近年來，深度學習已經(jīng)在語音、視覺、自然語言處理等領域取得了很大成功，接下來重點回顧了深度學習歷史及其在視覺大數(shù)據(jù)分析中的應用進展。針對深度神經(jīng)網(wǎng)絡在結(jié)構(gòu)、功能、泛化性等存在的問題，進一步探索模擬認知過程中的注意、記憶等機制，研究深度認知神經(jīng)網(wǎng)絡理論和方法。報告的最后，王亮研究員對幾個未來可能的研究方向進行了展望。

29日第一位進行報告的是清華大學微納電子系副系主任吳華強教授，吳華強教授為大家?guī)淼膱蟾骖}目為“基于新型電子突觸器件的類腦計算研究”。人工智能的研究和應用已經(jīng)取得了突飛猛進的發(fā)展，但是運行人工智能深度神經(jīng)網(wǎng)絡算法的計算平臺主要是超級計算機群（成百上千個CPU和GPU）,不但需要巨大的硬件投入，而且占用的空間和消耗的能源也非常可觀。受限于存儲計算分離對芯片性能的限制，同時CMOS工藝微縮速度放緩，以及人工智能應用對計算存儲需求的不斷提升，當前的技術(shù)將面臨諸多新的挑戰(zhàn)。在這一背景下，新器件的出現(xiàn)變得至關重要，通過引入新原理的半導體器件，不但可以拓展芯片的功能，甚至可以顛覆傳統(tǒng)電路理論，突破當前芯片面臨的能效、速度瓶頸，大幅提升芯片性能。基于過渡族金屬氧化的憶阻器件顯示出了優(yōu)越的存算一體的特性，能夠規(guī)避存儲和計算之間數(shù)據(jù)搬運的功耗并且能夠?qū)崿F(xiàn)大規(guī)模集成，進而實現(xiàn)高性能計算。展望未來，智能社會即將來臨，吳華強教授也指出了面向未來的智能芯片，最底層的器件需要具備特性。

上午第二個為大家?guī)韴蟾娴氖乔迦A大學胡曉林副教授，胡曉林副教授為大家?guī)淼膱蟾骖}目為“神經(jīng)網(wǎng)絡的攻擊與防御”。神經(jīng)網(wǎng)絡在各種任務上取得了巨大的成功，但是人們發(fā)現(xiàn)它很脆弱：對輸入數(shù)據(jù)做一點微小的擾動，就會導致輸出結(jié)果完全不同。這種特殊擾動后的輸入數(shù)據(jù)稱為對抗樣本，而這種操作被稱為對神經(jīng)網(wǎng)絡的攻擊。有攻擊就應該有防御。防御的意思是構(gòu)造方法使得神經(jīng)網(wǎng)絡不被對抗樣本欺騙。胡曉林副教授的報告介紹了這個領域的歷史和最新進展，并對未來進行展望。

下午第一個為大家?guī)韴蟾娴氖侨A中科技大學電子信息與通信學院副院長白翔教授，白翔教授為大家?guī)淼膱蟾骖}目為“任意形狀的場景文本檢測與識別”，報告指出隨著深度學習技術(shù)的不斷進步，場景文本檢測與識別領域已經(jīng)取得了顯著的進展。然而，對于曲形或者任意形狀排列的文本的檢測與識別，仍然是一個極其有挑戰(zhàn)性的問題。在本次報告中，白翔教授首先對近年來場景文本檢測與識別主流技術(shù)進行了簡要的回顧；接著，介紹了場景文本檢測與識別（Photo OCR）領域的最新研究進展，具體內(nèi)容包括面向任意形狀文本的檢測與識別方法，及端到端識別神經(jīng)網(wǎng)絡；報告的最后，白翔教授對此領域的未來研究趨勢做出展望。

下午第二個報告為清華大學自動化系趙明國副教授作題為“利用機器人的自然動力學來實現(xiàn)高能效的移動”的報告。報告介紹了清華大學機器人控制實驗室在這方面做的一些研究工作，即先利用被動步行原理實現(xiàn)高能效的雙足運動，然后通過反饋控制進一步提高機器人的穩(wěn)定性，報告的另外一部分也展示了如何通過車把轉(zhuǎn)向控制實現(xiàn)無人駕駛自行車的高能量效率。在這些例子中，實驗室采用了一種非常簡單但非常規(guī)的控制方法，它們的共同特點是尋找并利用系統(tǒng)的自然動力學。

最后進行報告的是清華大學電子工程系汪玉副教授，汪玉副教授的報告題目為“基于FPGA的深度學習處理器”。深度學習的應用日益廣泛。相比于傳統(tǒng)的CPU/GPU平臺，針對定制計算結(jié)構(gòu)能夠提供更高的計算能效。但是，基于FPGA的深度學習加速器面臨開發(fā)周期長，性能受限等問題。汪玉副教授的報告通過總結(jié)已有工作，結(jié)合實際設計經(jīng)驗，總結(jié)針對深度學習加速器的設計思路，并介紹了基于FPGA的高能效、快速部署的深度學習處理器結(jié)構(gòu)和部署流程[FPGA 2016+2017]。其中壓縮和量化技術(shù)可以去除算法中的冗余操作，減少系統(tǒng)計算和存儲的需求，同時量化還能夠提升FPGA系統(tǒng)的峰值計算能力。由于CNN和DNN/RNN在計算和存儲模式的本質(zhì)差異，針對CNN、DNN/RNN分別設計了兩種體系結(jié)構(gòu)與相應的指令、編譯系統(tǒng)。基于賽林思的平臺，CNN和LSTM的平臺均取得了比嵌入式和桌面GPU更好的能量效率（>60GOPS/W）。

學會秘書處 供稿