提到AI在现实生活中的应用，恐怕没有比机器人更贴切的答案了。
2001年，斯皮尔伯格在他的电影《人工智能》里，给大家展示了他眼中未来机器人的模样：有着和人一样的外表、神态、情感，能够成为人类的伴侣。
从工具到管家到伴侣，机器人的发展还有很长的路要走。
经过近20年的发展，扫地机器人已经成为家用机器人行业最为成熟的产品。我们第一次尝试在扫地机器人身上应用AIVI™技术(Artificial Intelligence and Visual Interpretation 人工智能与视觉识别），推出了首款AIVI™人工智能扫地机器人DG70。
聪明的知友们一定发现，DG70比我们常见的LDS激光导航扫地机器人多了只眼睛。
既然是人工智能，那它要“有大脑，会思考“。
为了让它有个脑子，一大批工程师程序员愁到“脱发”。
来自清华大学、南京大学、武汉大学、英国University of Sussex、法国Ecole des Mines等国内外高等院校有着多年研发经验的50多位工程师组成的研发团队，花费了16个月时间，才“初步”完成了这个项目。说它“初步”，是因为AIVI现在只是完成了一个小目标，工程师们对它未来的发展有更大的野心。
这几年扫地机器人的智能性突飞猛进，但是一直在跟【卡困缠绕】作斗争：
推走拖鞋——洗完澡出浴室，拖鞋就剩一只，另一只不知在何方……
绕住电线——耳机线、数据线、头绳不小心掉到地上，就只能去尘盒翻尸体了……
跟软布缠缠绵绵——绞烂了袜子，也卡住了滚刷……
想踏遍家里每一个角度，却总是半道崩卒，报警求救。
总之就是，卡卡卡卡卡，困困困困困，缠缠缠缠缠，绕绕绕绕绕……
这些卡困并不能单纯地通过升级LDS激光雷达导航系统和优化算法来解决。
由于LDS以及其他传感器识别盲区的制约，扫地机器人无法真正认知家居环境，无法高效准确地识别到不同障碍物的时候，会面临两个局面：要么漏扫，要么被困。
而科沃斯的工程师们，两个都不想要。
他们决定在扫地机器人上加入AIVI，给扫地机器人赋予会不断学习“大脑”，让它认知你的家，能分辨拖鞋、电线、袜子这类物体并智能避让，尽最大努力减少漏扫和卡困，真正把人们从扫地家务中解脱出来。
自从法雷尔·恰佩克第一次提出“机器人”这个词，到现在全球还没有对机器人有一个公认的概念。科沃斯董事长钱东奇的认知是：机器人至少要具备四个特性――――感知、思考、行动和反馈，而“感知”是后面一切的基础。
搭载了单目摄像头的DG70，感知世界的方式，更贴近人类，那就是，看。
当人在观察周围环境时，眼睛先看到目标物，接着大脑处理视觉信息，分析这是什么物体，并通过左右眼视差估算出目标物与自己的距离。
通过AI摄像头DG70可以识别并标记镜头区域内的障碍物，不断测算自己与障碍物的距离。同时，与LDS激光雷达测距传感器和陀螺仪等传感器组成的SmartNavi系统，超声波传感器SmartEcho地面识别系统和蓝鲸扫拖系统，多传感器协同工作，融合处理信息后，DG70获取到了可视化的家居地图。
前面说道，为了让扫地机器人认识家里的拖鞋、电线、袜子，50多位研发工程师愁到“脱发”，这并不是一句玩笑话。
有人可能会质疑，图像识别算法已经相对成熟，且有很多公开数据集，让扫地机器人学会图像识别，能有多难？
首先是图片库的问题，为什么科沃斯要费时费力自己采集家庭环境图，而不接入现成的公开数据集呢？
对于这个问题，工程师充满了无奈：
“你以为是什么支撑着我采集图片？
是勤奋么？
是热爱么？
都！不！是！
我也想用现成的数据集，但是是用不了啊！“
一般人的视角跟扫地机器人的视角完全不同。毕竟，扫地机器人是个“拇指姑娘”。DG70整机只有10.3cm高，考虑到摄像头所在的位置，视角就更低。
这就造成了现有的公开数据集对于扫地机器人AI学习的可利用率极低，因此需要从0到1采集扫地机器人视角的家庭环境数据。
我们的数据采集工程师，采集了扫地机器人视角下几千户家庭的真实场景图。
并从这些图中标记、提取了几千只形态各异的袜子（气味大概也是各异的）、拖鞋、和粗细、大小、弯折形状不同的数据线、耳机线、电线、充电线的特征。
有了这些真实的基础图像数据，就该轮到神经网络算法登场了。
市面上不乏成熟开源的图像识别算法，但他们都不能直接应用在扫地机器人上。
让扫地机器人完成动态实时的图像识别工作，还需要解决这些难题：
1）复杂的室内环境
扫地机器人在家庭室内环境中运行，不同于大家的认知，家庭环境的复杂性远大于一般的室外环境。
室外环境中，汽车、行人、道路、道路上的标线、路边的绿植，都有明显的特征，这些特征较为容易提取。
而家则不同，很多人的家可能一天一个样，每家的装修、家具、光线情况也都不一样，光地面都有千百种不同的材质。
DG70在工作过程中，需要面临恶劣的光线条件、复杂的环境背景、千奇百怪的地板，摄像头视角的抖动、旋转、模糊……这种种困难，都是对神经网络模型的严酷挑战。
2） 形态各异的柔性物体
袜子、电线、拖鞋，容易缠绕住扫地机器人的大多是这些柔性物体，熟悉图像识别技术的朋友们想必都知道，形态各异的柔性物体，它们的模态、特征极为复杂，算法学习起来难度很大。
3） 难以识别的小目标
大部分的图像识别神经网络模型对小目标的识别率都很差，而困住扫地机器人的很多是袜子、耳机、电线这些小物件。
想要提高对小目标的识别率势必要提高识别精度，要提高精度势必要增大神经网络模型，增大模型则带来芯片计算量的增加。
4） 量产家用之难
要让有着AIVI技术的扫地机器人实现量产，走进更多家庭，硬件方面只能选择算力极其受限的芯片，而目前市面上的图像识别神经网络模型实在太大，无法直接应用到扫地机器人上。
为了让AIVI™技术实现从实验室走向家用，DG70选用了高算力低功耗的芯片，运行时散热少，能满足扫地机器人长时间工作的要求。工程师们设计了超轻量级神经网络模型，保证识别精度的同时，也满足了延时使用要求（即模型进行一次识别的反应速度要快，同时延迟要小，以满足使用要求）。
高算力较低功耗的芯片，散热少，满足了扫地机器人长时间工作的要求。
下图为DG70在室内环境中对一般障碍物的识别过程：
有了经过训练且不断精进的“神经网络”的加持，再融合多个传感器数据、SLAM算法，扫地机器人不但能看清家，更能看懂家。
能灵活避开障碍物，不被轻易卡住。
既然是一款人工智能产品，就要能不断学习，越变越智能。DG70的产品经理和研发工程师们，在不断努力让它成为一台会成长的机器。从满足单一的清扫功能，到满足交互性需求，越来越懂你的心意。
没准在不久的将来，“给在书房的爸爸端杯茶”这种小事儿，DG70就可以代劳。
AIVI识别利用的是机器经过训练后学的的算法，记录了各类物体的“关键特征”，从而实现准确识别。DG70芯片内部不存储图像数据，仅存储训练过的“神经网络”模型，并在扫地机器人本地完成计算，保证了用户的隐私安全。
基于AIVI技术特性，不会对用户信息安全造成不良影响。使用AIVI技术的扫地机器人可在设备本地对捕捉的画面中的物体进行识别，而无需借助云端处理技术，即使在离线情况下也能正常工作。设备捕捉到的家庭环境画面仅在设备本地用于识别物体，不会上传服务器，更不会对外公开，能够有效确保用户隐私安全。
工程师露出了尴尬而不失礼貌的微笑：“平常很乖突然在家里随地便便可能是狗狗生病了，这个时候的粑粑可能不是正常健康的粑粑，而是，emmmm……你懂的。
这方面的数据采集有一定的难度，我们的样本量还不够，可能需要数据采集师多加努力。”
所以，识别狗粑粑的工作任重而道远。
如果知友们有丰富的粑粑库，欢迎提供。
