北大教授陈宝权：AI+三维视觉，让机器人具备决策和执行力
导读：在今年3月27日新智元举办的“智能云·新世界”AI技术峰会上，北京大学博雅特聘教授、前沿计算研究中心执行主任陈宝权发表了题为《三维视觉智能及应用》的演讲，从研究人员的视角，对当前国内三维视觉智能领域研究概况、技术应用方向和未来前景做了精彩的分析。
人类不仅可以通过眼睛“看清”周围环境中的东西，还能“识别并理解”这些东西，对这些东西形成“认知和决策”。现在，研究人员正努力让AI也做到这一点。北京大学博雅特聘教授、前沿计算研究中心执行主任陈宝权的这篇精彩演讲，对当前国内三维视觉智能领域研究概况、技术应用方向和未来前景做了精彩分析。
众所周知，人工智能是模拟人类智能的技术，实现对人类智能的完全再现，是人工智能的终极目标。而人类智能是从人类的感官和认知开始的。所以，人类的感官往往成为研究人工智能的入手点，比如视觉。
对于人类而言，不仅可以通过眼睛“看清”周围环境中的东西，还能“识别并理解”这些东西，对这些东西形成“认知和决策”。现在，越来越多的AI领域的研究人员正努力让AI同样做到这一点。从人类的三维视觉出发，三维视觉智能已成为人工智能研究和应用的热门领域。
在今年3月27日新智元举办的“智能云·新世界”AI技术峰会上，北京大学博雅特聘教授、前沿计算研究中心执行主任陈宝权发表了题为《三维视觉智能及应用》的演讲，从研究人员的视角，对当前国内三维视觉智能领域研究概况、技术应用方向和未来前景做了精彩的分析。
以下为新智元整理的演讲内容：
北京大学博雅特聘教授、前沿计算研究中心执行主任陈宝权
今天很高兴有机会能够在这里发表演讲！今天下午的讲者主要来自于企业，我就从学术研究的角度，对现在非常流行的人工智能技术的重要分支——视觉智能来做下介绍。
说到视觉智能，大家都不陌生，人工智能的很多技术是基于人的各种感观的，其中视觉感观就是非常重要的一环。在视觉智能方面的很多技术已经在工业界得到非常好的应用。随着应用的深入，越来越多的视觉智能技术进入“三维视觉智能”阶段。也就是说，我们的眼睛不仅要看清某个东西，认识某个东西，还要走到这个场景里面去，在三维世界里真实地感受场景，如同身临其境。
这就需要具有三维空间感知与认知能力的智能，即三维视觉智能。任何一个新的研究方向的出现都不是凭空而来，而是和许多其他学科交叉而来的。三维视觉智能的研究就是集合计算机图形学、计算机视觉等领域的技术与传统的人工智能、学习、大数据等很好地交叉融合。
三维视觉技术的发展得益于视觉传感器的快速发展，已经在推动很多应用，比较有代表性的包括无人车、机器人，以及娱乐、影视等其它领域的应用。
三维视觉研究什么？总结起来有几大主要方向：
首先是三维感知，也就是感知三维空间，获取和处理三维深度等；然后是位置感知，比如感知相机的位置等；第三是三维建模，不仅对场景有基本的深度感知，还要获得关于场景完整几何模型的描述。最重要的就是三维理解，对场景和其中的物体从三维空间来进行理解。
三维视觉的发展得益于视觉传感器的发展，而传感器大致可以分为两类，一类是被动传感器，现在我们用的各种相机就是被动传感器。另一类就是主动传感器，比如激光扫描，以及各类以主动发射信号为主导进行测量的传感器。大家知道，随着手机的快速发展，未来的手机会同时配备两类传感器，也就是深度传感器和传统的颜色传感器。
下面简要介绍一下我们在这方面的一些探索性工作。2009年，当时大疆无人机还做定制化产品，我们请大疆做了一台定制化无人机，目的用它来做倾斜角航拍，利用无人机从空中得到航拍影像，经过三维重建计算以后得到三维影像数据（注意，还不是完整的三维模型），有了三维描述就可以从任意视角自由地漫游场景。可以看到，尽管用的只是二维传感器，依然可以通过视觉计算得到三维数据的描述。
隐式三维感知：动态相机实现视频无缝接合
在我讲如何利用主动式传感器直接获得三维场景几何模型之前，我想先介绍一下，其实对于影像的三维感知不一定要以显式的方式表示出来，可以通过隐式的方法获得一定程度的三维感知，也能实现一些类比于直接采用三维信息才能实现的功能。
这个好比人的视觉感知，我们虽然对视觉的认知是三维的，但也不是一切基于精确的三维测量。这里举几个例子。比如，上面是电影里的一个片断，我们可以把其中的人物和表演放到一个新的场景里去，因为相机是动态的，这里就需要有一个隐式的相机三维位置恢复，才能把一个动态的前景和一个动态的视频背景无缝融合在一起。
上面是一段表演视频，我们可以提取它的一部分三维骨架信息，驱动一个不会跳舞的人来跳舞。左边的这个人假设不会跳舞，她只是做几个动作，右边大图里面左上角是真正会跳舞的舞者，我们用她的专业动作来驱动不会跳舞的人来跳舞。就是通过对“驱动”视频进行三维理解并“迁移”三维动作到参考视频中的人物而并合成新的视频，于是在右边大图里，这位女士也会跳舞了。
我们不仅可以把一个人的动作迁移到另外一位骨架类似的人身上，也可以把小孩的动作迁移到大人身上，甚至可以把动物的动作迁移到人的身上。这就需要具备一定的三维骨架重定向的能力。
比如，下面的动图中有两个人在跳舞，但是每个人的动作方向、脸部朝向、身高都有所不同。像这样一个运动的定向差值，都是通过隐式三维理解和编码实现的。
下面讲主动传感器的使用，近年来主动式传感的发展非常非常快。特别是无人车技术的发展要求，进一步推动了传感技术的飞速发展。早在无人车火爆之前，我们就于2009年开始采用车载移动激光扫描器来进行城市级别的大场景三维扫描，构建城市场景的三维模型。
我们通过车载三维传感技术得到了大量点云数据，并利用这些数据进行几何建模，得到了非常精细的三维模型。我们对城市场景里各种类别的复杂物体进行建模，例如对树木等目标进行三维识别，识别出不同类型的树，再针对不同树木的几何特征，对树木进行高精细化的三维建模。
中央电视台曾经对我们做过一期专门报道——《把城市搬到电脑里》。当时我们对深圳一个片区进行了完整的三维建模。这之后我们接到了很多电话，问我们：用你们的车开过一遍是不是就能获得我们城市的三维模型？实际上我们做不到，原因不是因为数据处理的问题，而在于前端的数据获取。
我们的城市绿化做得太好了，车开过去只能扫描到树，扫描不到建筑。如果要真正解决这个问题，就要把解决方案移到前端，想办法能够完整地获取数据。
因此，我们开始提出利用机器人获取数据，来进一步解决这个问题。机器人在现场采集数据的同时进行数据分析，看看数据是不是有缺失，如果有缺失就要走到相应地点去获取所需信息，从而形成一个数据获取与处理的闭环。
让机器人不仅看得见，还要看得懂
首先从单个物体的实验开始，机器人手持Kinect（一种利用结构光获取三维模型信息的主动式传感器）扫描一个物体，例如一个3D打印的玩具，能获取目标物体全方位的三维数据。机器人自己规划扫描路径，直到最后获得一个完整的三维模型。
接着实验的是场景认知问题。不仅要获得场景的完整三维数据，而且还要认识每个物体到底是什么，要去理解场景里的每个物体，获取物体的语义信息。同样的道理，认知的过程必须形成一个闭环，机器人的实时决策能不能根据现有的三维数据对这个物体进行识别。如果不可以，就要走到新的角度去获取数据。
进一步，我们的算法就可以拓展到一个更大的室内场景中。这种情况下，只有一个机器人是不够的，我们可以利用多个机器人。这些机器人要实现协作，需要一个实时的协同工作算法。在室内环境下，我们已经有了非常好的机器人协同方案。
机器人不仅可以在三维空间导航行走，还应该成为真实世界的一员。实现这一点就要让机器人和现实场景打交道，比如让机器人拿起一个杯子，打开一扇门，甚至和人握手等。这种直接的三维交互非常重要。这需要对机器人空间定位和路径规划进行更多的研究，这方面我们近期做了一些工作。
让机器人具备决策和执行力，替人类完成更多工作
我们沿着这个技术路线探索，思路也变得愈发清晰。通过三维视觉与人工智能技术的结合，我们让机器人更加智能化与功能化，让机器人做更多人在现实生活中能够做的事。机器人具备现场自主决策和执行的能力，比如在工业流水线上可以帮助组装配件，物流场景中搬箱子等。这样的应用，涉及到非常精细化的技术，比如准确高效的运动规划，还有各种各样的控制，智能的执行等。我们在这方面也有了些探索性的工作。
随着三维传感器的普及，三维数据越来越多，如何实现对三维场景的精细化理解变得非常重要。理解场景很重要也很有效的一个方法就是深度学习。最早所有的深度学习都是针对二维影像。卷积神经网络面向的是二维影像，而对于三维场景，输入数据是三维的点云。
因为没有卷积神经网络能够天然地处理非结构化的三维点云，我们针对这个问题设计了PointCNN卷积神经网络，它的性能是相当好的，我们也很高兴看到有很多公司在使用我们的网络。
面向物流领域的应用，我们还尝试了一个机器人搬箱子的测试。在去年京东“双11”期间进行了10天的压力测试，机器人在现场代替一组人（两人一组）去识别箱子、搬箱子，并把大大小小不同的箱子搬到传送带上。这是我们的技术第一次从学校的实验室走进现实场景中。但是我们也感受到，越走近现实场景，问题就会越复杂。在座有很多企业界的人，欢迎各位能过来跟我们交流合作。
三维视觉智能的研究与应用如此重要，但国内还没有一个基于三维视觉的社区。去年底，由本人召集在中国图像图形学会旗下成立了三维视觉专业委员会，目的是把学术界和企业界的相关人士联合在一起。欢迎更多相关企业加入进来，一起推动三维视觉技术的发展。
谢谢各位！