如何让产品设计更加年轻化？

经典的形状识别研究主要是基于视觉的方法。然而，当存在遮挡或光照条件较差时，机器人是无法观察到视觉形状特征的。相比之下，触觉物体的形状感知并不受这些因素的影响，可以通过传感器与物体的相互作用来判断物体的细节形状。此外，近年来高性能触觉传感器的大规模量产进一步促进了通过触觉识别物体形状的算法的推广。

形状感知算法主要包括局部形状感知和全局形状感知两类。局部形状感知类似于人类皮肤的触觉感觉，全局形状感知则是皮肤和动觉共同反馈作用的结果，例如对超出指尖范围的轮廓的感知。在一些机器人内置的内部传感器中，例如关节中的本体感受器，常被用来获取手指 / 末端执行器的位置和运动，通过将这些手指 / 末端执行器与局部特征结合起来以识别物体。

[姿态识别]

机器人实现对物体的操纵需要以精确和及时地估计物体的姿态为前提。一般情况下，使用物体（对象）相对于机器人末端效应器或全局坐标系的位置和方向描述其姿态。针对物体位置的估计即使存在很小的误差，也会导致机器人手指在物体上的位置不正确，从而产生关于抓握稳定性的错误假设，并影响操作任务的成功。因此，鲁棒、准确和快速地感知物体的姿态是任何复杂的抓取和操纵系统的关键部分。

机器人学中最常用的估计物体姿态的方法是使用计算机视觉。然而，当机器人接近要操纵的物体时，会存在遮挡的现象，进而影响视觉估计的效果。为了解决这一问题，研究人员通过引入触觉传感系统来帮助机器人确定被触摸物体的姿态。根据传感层输入的不同，姿态识别方法主要包括单点接触式传感器和触觉传感阵列。

[感知融合]

机器人必须配备不同的传感方式，才能在非结构化环境中工作。将这些不同来源的数据融合成更有意义的、更高层次的状态表征也是感知过程的一部分。多个传感器可以提供更及时、成本更低的信息。此外，由于传感器的工作速度不同，可以并行处理它们的信息。

在需要与环境交互来完成的任务中，可以将触觉感知与其他感知方式相结合，以提高任务完成的准确度和鲁棒性。典型的感知融合方式有触觉感知与视觉、动觉线索、力矩和距离感测的结合等等。

2.3 控制层（Action）

最后，我们从控制层的角度讨论触觉传感技术在机器人中的应用。丰富的触觉信息能够为执行触觉相关任务提供多种可能性，包括：触觉探索、抓取、手部操作、移动、工具操作、人机交互和无意识操作等[3]。

[触觉探索（Tactile Exploration）]

触觉探索是一种通过触觉提取未知物体属性的有效方法。人类通过多种探索方法来获得关于物体的知识，例如侧向运动、压力、封闭、轮廓跟踪、物体部分运动测试和启示性测试等。受到这些人类行为的启发，研究人员开发了多种基于触觉的探索方法用以估计机器人的控制参数，包括物体表面几何结构、材料属性、形状等。

 

上述针对消息的可靠性保障机制使得数据的处理有且仅有一次，保证了事务数据的持久性。容错机制使得失败的元组在重试环节的状态更新是幂等的，幂等性是统计学中的一个重要性能指标，其保证了即使数据被多次处理，从处理结果的角度来看和处理一次是相同的。

Trident的出现显著减少了编写基于Storm的应用程序的代码量，其本身具有函数、过滤器、连接、分组和聚合功能。在组件方面，它保留了Spout，将Bolt组件中实现的处理逻辑映射为一些新的具体操作，例如过滤、函数和分组统计等。

数据的状态可以保存在拓扑内部存储当中(例如内存)，也可以保存在外部存储当中(例如磁盘)，Trident的应用程序接口支持这两种机制。

16 S4

S4项目是由雅虎(Yahoo)提出的，作为一个分布式流处理计算引擎，其设计的初衷是与按点击数付费的广告结合，基于实时的计算来评估潜在用户是否可能对广告进行点击。

这里S4是指简单的(Simple)、可扩展的(Scalable)、流(Streaming)以及系统(System)。在S4项目提出之前，雅虎已经拥有了Hadoop，但Hadoop的基本理念是批处理，即利用MapReduce对已经过存储的静态数据进行处理。尽管MapReduce的处理速度非常快，但是从本质上说，其无法处理流数据。

S4项目将流数据看作事件，其具体的实现中包含五个重要构件：处理节点(processing element)、事件(event)、处理节点容器(Processing Element Container，PEC)、机器节点(node)和机器节点集群(cluster)。

一个集群中包含多个机器节点，一个机器节点中包含一个处理节点容器，一个处理节点容器中包含多个处理节点。处理节点对事件进行处理，处理结果作为新的事件，其能够被其他处理节点处理。上述的点击付费广告的应用场景具有很高的实时性要求，而Hadoop无法很好地应对这样的要求。

具体来说，MapReduce所处理的数据是保存在分布式文件系统上的，在执行数据处理任务之前，MapReduce有一个数据准备的过程，需要处理的数据会按照分块依次进行运算，不同的数据分块大小可以对所谓的实时性进行调节。

当数据块较小时，可以获得一定的低延迟性，但是数据准备的过程就会变得很长;当数据块较大时，数据处理的过程无法实现较低的延迟性。诸如S4的流计算系统所处理的数据是实时的流数据，即数据源源不断地从外部数据源到达处理系统。

流计算处理系统的主要目标是在保证给定的准确度和精确性的前提下以最快的速度完成数据的处理。如果流数据不能够被及时处理，那么其潜在的价值就会大打折扣，随着处理时间的增长，流数据的潜在价值保持递减。软件开发者能够根据不同的场景和需求在S4的上层开发处理流数据的应用程序。

17 Spark Streaming

作为Spark的组成部分，Spark Streaming主要针对流计算任务，其能够与Spark的其他构件很好地进行协作。

（编辑：衡水站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!