原来他们是这样走过来的！
从哈工大到中科院再到卡内基梅隆大学，殷鹏成长为一名科研“刺头”，计划之外，却意料之中。敢于挑战机器人小众学术路线上的难题，不断激发自己和周围团队成员的钻研动力，带头在机器人领域搞出自己的名堂，是他一路走来的风格。
从小学时起，殷鹏就对机器人充满了浓厚的兴趣。但与大家所通常认为的“卷王”不同，殷鹏对社团活动和竞赛无感。他喜欢一个人在图书馆中沉淀，独自思考机器人与人的关系，内心充满着对科学和哲学的追求，以及对未知领域的探索渴望。一个人的时候，他更喜欢反复看那部《攻壳机动队：无罪》，思考通用机器人系统在当下的实现意义。也正是这个原因，他本科选择了哈尔滨工业大学，开始了他的机器人求学之路。
殷鹏在美国简单生活，每天8小时工作，2~4小时冥想哈工大毕业之后，他顺利进入了中科院沈阳自动化研究所，继续考虑如何开发通用的机器人系统，但是这个课题不论是在当时还是现在都是一个庞大的课题，即便不包括机器人本体，这个课题涉及的面也包括机器人领域诸如感知、规划、决策、控制、学习、记忆，甚至心理学等一系列问题。因此在顺利达成毕业要求后，他在博士三年级向他的博士导师韩建达教授提出想去CMU看看国际一流的舞台在做些什么。
因此2017年9月，他来到了匹兹堡，加入了美国知名教授HowieChoset课题组，从此开始了他的美国科研之路。
NASA火星高精度降落计划适用于不同地理环境的长航程定位系统平均定位误差在10~12m从2019年开始，DARPA美国国防高级研究计划局宣布举办为期3年的地下机器人挑战赛。了解DARPAChallenge的同学应该不会对这个机构陌生，2005、2007年的DarpaGround/UrbanChallenge带来了无人驾驶的盛世，而后来的DarpaRoboticChallenge则带来了全世界人形机器人、足式机器人的热潮。而DarpaSubT比赛，主办方将充分考验参赛机器人在多机协作、感知、定位、建模、规划、通信等方面的综合能力，是一项定位于未来火星移民或者抢险救援的通用机器人开发需求。殷鹏博士和他的队友在2019年的挑战赛上获得第一名的好成绩，但是更重要的是，他们开发出了首个超大规模多机协作定位建模系统，这也是他们的第二篇IEEET-RO工作AutoMerge，这个工作构建了殷鹏心目中通向通用人工智能的基石：大规模复杂环境中的“建模”
DarpaSubT地下机器人挑战赛图片相关研究成果在IEEE旗舰技术杂志和中的报道高精度局部建模效果复杂环境中的多机协同针对于多智能体自主无人系统持续学习框架细说机器人研究的困局所在如何把机器人赋予人的定位和感知能力？殷鹏团队在这个问题上总结出自己的观点，他们认为只有想清楚了这个问题，才能突破局限，打造出下一代机器人的创新产品。
从技术角度来看，机器人技术领域的定位和感知是两个关键模块。
在定位方面，建模和定位算法已经相对成熟，可以使室内机器人确定自身在不同房间中的位置。然而，定位的可靠性仍然是一个挑战，因为误差范围的不确定性会影响任务执行的精度要求。室内机器人可能需要毫米级的定位精度，而无人驾驶车辆可能需要更高的厘米级精度。此外，复杂环境中的变化可能导致定位的变化，从而对路径规划和目标搜索等任务产生困难。
在感知方面，深度学习等技术已经为视觉和语音感知提供了相对成熟的解决方案。当前的感知技术在准确度上表现较好，但仍然存在一些问题。例如，对于简单物体的识别和区分可能存在困难。尽管开源技术已经取得了一定的进展，但仍需要进一步研究和改进，以提高感知系统的性能。
“从技术角度来看，通用机器人目前面临的最大问题实际上是数据，高质量、自动生成的真实数据。”殷鹏分析道。
尽管在某些特定领域，比如定位导航建模，单个小模块的表现还不错，甚至只需要简单的传感器就可以实现。但是在面对复杂环境时，机器人需要在室内和室外运动，并适应不同地形，传统算法往往无法提高泛化能力。这意味着我们需要解决适应性泛化的问题。
另一方面，即使解决了泛化问题，像谷歌的PaLM-E模型，尽管经过长时间的训练，在广泛的环境下仍然无法良好运行。例如，它在一个环境中表现出色的抓取实验，在切换到另一个环境时性能会大幅下降。这是因为大家通常倾向于在特定的小环境中进行机器人任务，导致其识别能力较低。OpenAI的创始人也提到过放弃机器人研究的原因，即在机器人领域中构建大型或具备常识的模型非常困难。
目前来看，机器人系统中最困难的模块是决策层。定位层和感知层的数据为决策提供了基础，但缺乏准确的空间逻辑关系可能导致决策的不准确性或无法适应特殊情况。特别是在与人类密切互动的场景中，这一问题变得更加显著。比如在无人驾驶领域中，虽然通过降低车速或机器人移动速度可以减轻一些挑战，然而这也让机器与人类的互动变得更加紧密。尤其是对于依赖决策层的实用而高度智能的机器人来说，在真实的室内环境、园区或公路等低速赛道上，问题的复杂性更加显著。如果机器人系统中的上层模块未能有效解决问题，将对人类的安全构成重大威胁。因此，解决这一问题是一项极其复杂的任务，需要仔细考虑与人的互动和安全性。转变，新开始2017年到2023年，殷鹏从访问学者成为卡内基梅隆大学机器人研究所Airlab的ProjectScientist。Airlab开放而自由的环境让殷鹏能够尽情展示自己的才华。而实验室的领导者SebastianSchere教授则是一位友善而随和的导师和引路人，他乐于与团队成员交流思想，共同探讨问题的解决方案。Airlab为科研人员提供了广阔的舞台，让他们能够实现个人的价值，追逐内心渴望的目标。右：HowieChostJiZhangSebastianScherer除此之外，卡内基梅隆大学机器人研究所的“硬核”风格与殷鹏完美契合。研究所注重实际行动，追求实践的成果，注重技术的可行性。在这样的环境中，他能够追求真正的硬核技术，秉持实打实的原则去推动研究，这也是他最心动的一点。
今年秋季，殷鹏即将迈入香港城市大学，担任助理教授的职位。这一转变是他职业生涯的重要转折，同样也为他注入了全新动力。香港城市大学将成为他实现目标的首要阵地。作为一名助理教授，他将有机会组建自己的研究团队，集中于解决机器人所面临的常识性难题，并探索其在复杂环境中的应用潜力。
同时，殷鹏将专注于大模型和机器人领域的研究。大模型具有更强大的计算和学习能力，能够处理更复杂的任务，并提供更精确的结果，将成为机器人领域一项重要的发展趋势。
偏科才是顶流，拒绝“螺丝钉”未来的学生画像，殷鹏也在心里打下草稿。“未来计算机领域需要那些在某个领域有卓越表现的‘偏科’生，他们能在自己的专业领域展现出碾压式的领先优势。传统的常识性考试正逐渐被蚕食，现今学习的内容需要结合更多垂直领域信息，才能给计算机人才带来更大的发挥空间。大模型的出现正在取代一些传统的学习方式，因此，具备前瞻性的思维和眼光非常重要。我个人也更偏向这类拥有创新思维和垂直领域知识的‘偏科’学生，而不是来自Top院校或成绩优异的同学。相比来说，我更看重他们的实践经验和突出的领域专长，而非单纯的学科分数。”//嘉宾介绍殷鹏招生信息-TheEnd-「AI红人荟」系列回顾：美国莱斯大学副教授胡侠幻方量化深度学习研究员罗福莉北京航空航天大学助理教授周号益密西根州立大学副教授汤继良莱斯大学在读博士生查道琛新加坡国立大学周大权清华交叉信息研究院的助理教授弋力北京大学人工智能研究院的助理教授杨耀东推荐讲者成功也有奖励哦~扫码观看！
本周上新！
//前沿资讯解说/心得经历讲述//发送邮件到关于TechBeat人工智能社区更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区?一键送你进入TechBeat快乐星球
