关于自主系统的应用场景分析

提到自主系统，人们首先联想到的便是自动驾驶汽车、人形机器人和可用于运输的无人机。事实上，基础技术的持续快速成熟，将引领设计人员将自主系统应用到数百个新方向中。而自主系统应用场景的绝对数量和多样性也引出了这个有趣的问题：

“自主”对于我们实际意味着什么？

简单来说，自主是自我治理的力量——能够在未经预演的情况下独立于人类直接控制行动的能力。自动系统与自主系统之间的主要区别体现于此：在受控环境中工作的自动机器人可以每次将汽车的车身面板精确地放置在同一个位置上，而自主机器人可以通过“训练”在它从未经历过的环境中独立地完成任务。

即便如此，在设计（或定义）自主系统方面还没有一个通用的方法。在某些应用场景中，自主系统的目标是消除人的参与；而在另一些情况下，则是为了增强我们的身体和智力能力。当然，自主系统的效用会受到收集的数据量以及可以从这些数据中提取的价值所限制。

下面三个使用案例将自主系统展示应用场景的多样性以及预期结果如何影响其设计。

自动驾驶

我们从一个常见示例开始——自动驾驶汽车。第一个要求是使汽车能够感知周围的世界。这包括使用摄像头以便汽车可以看到其前进方向，以及使用GPS以便它知道其所处位置。汽车需要雷达来测量与其他物体的距离和相对运动，并且需要激光雷达来构建周围地形的准确3D模型。这必须收集海量数据，进行分析并融合成一个可将感应数据转化为感知现实的连贯信息流。

就本身来说，这种传感器网络可能看起来更像是自动化示例而不是自主示例。这是机器学习和深度学习算法开始发挥作用的情况，分析这些数据以确定车道位置以及其他车辆的相对速度和位置等现象、读取交通信号以及（也许是最重要的）定位行人。

现在汽车知道其所处位置以及周围环境，需要决定要做什么。如果感应到前方障碍物，那么是应该刹车还是转弯？可以再次训练学习算法以应对新情况。这便是为何如Google的Waymo这样的公司使用其自动驾驶汽车行驶数百万英里的原因。它们通过对尽可能多的情况训练其算法来指导汽车进行自我引导。

艺术研究

真正的自主系统必须在没有人为干预的情况下行动，由计算机负责提供最佳方案。这从根本上转移了人的责任，让我们可利用计算机及其能力来提供商业和社会效益。这方面的一个示例涉及许多人可能永远不会期望将包含自主技术的主题 — 艺术史领域。

仔细观察上面这两幅画：一把椅子、一组三个人和一个炉子，类似的矩形窗户等元素并且构图相似。以上你是否看出来其中一幅画对另一幅的影响？恐怕许多经验丰富的艺术史学家也做不到这一点。

事实证明，计算机（而不是艺术史学家）发现了法国印象派画家 Jean Frédéric Bazille 对 Norman Rockwell 的可能影响。

研究艺术家和艺术作品间的影响力的挑战便是艺术和艺术家实际上有着无限的排列需要进行探索。因此，艺术史学家严重依赖于艺术家生活的时间和地点及其研究对象等因素。如果计算机可以进行训练来耐心地比较绘画来发现所有潜在影响力，那么艺术史学家可以找出他们以前可能没有考虑过的新调查领域。

油气开采

创造性地应用计算机感知和自主系统还有其他好处，例如它们并不总是需要大量数据。在某些情况下，先对数据进行排序对于确定可提供最佳结果的内容更加重要。

以全球最大的油田服务提供商之一 Baker Hughes 为例。该公司的石油和天然气开采钻探设备的核心是一系列泵站。这些泵站依赖于任务关键型阀门。这些阀门每个成本仅 200 美元，但如果出现故障，则可能会导致数十万美元的维修费用。

因此，Baker Hughes 需要一种方法来更好地决定何时对泵进行检修以降低维护成本并改进资产管理和设备正常运行时间。是否有一种方法可以让钻探设备操作员监控泵运行状况并预测故障，而不是继续在井场存放多个闲置的备用泵？

实际情况是，Baker Hughes 一直在从多个钻探设备收集与温度、压力、振动、时间和其它值有关的大量数据。事实上，如此多的数据使得难以提取可能形成可操作结果的信息。

为了鉴别这些数据集，Baker Hughes 消除了与钻探设备、泵和流体的大型移动等相关的外部值。这可帮助他们更好地检测来自阀门和阀座的更小、更有意义的振动。通过大幅度减少需要处理的数据集的大小，该公司发现只需要三个传感器便可开发可以将正常运行的泵与需要检修的泵区分开来的感知算法。

与艺术史使用案例相似，这种情况下的自主技术不采取直接行动，而是为泵操作员提供对机器状况的深入了解。这使操作员可以制定更明智的维护决策，并确定井场需要多少备用泵 — 这些措施促使检修成本减少了1000 万美元。

就像这些案例所展示的那样，在每种情况下，一系列决策将确定自主系统的形式和功能，包括：系统的自主程度；感应的内容；数据的和数据量的选取；感应数据转化为感知现实；等等。