自動控制、機器人等領域都有哪些牛逼閃閃的「禁術」？

01-05

首先，明確「禁術」的定義。

這個詞經常在《火影忍者》中出現，所以參考naruto wiki中Kinjutsu的定義：

1）可能對使用者自身產生傷害的技能，如屍鬼封盡：

2）違背自然法則的技術，如穢土轉生：

3）威力過於強大可能會引起周圍無辜人群受到傷害，如尾獸玉：

所以，對應到自動控制或者機器人領域的「禁術」，應該也具有類似的特性：①功能強大/效果很好；②對使用的人可能會有壞處；③對其他人可能有壞處。

在我心目中，深度學習就是這樣的一種「禁術」。

①首先，它功能強大

這點已經不用多說了，這兩年很多論文——尤其是機器視覺與自然語言處理領域——的論文都採用了DNN，效果也是非常棒的。在各種數據集上的效果也是甩傳統方法幾條街。

也有一些研究將DNN用在機器人控制/規划上，效果也很不錯：

所以，第一個條件滿足√；

②對使用的人可能會有壞處：

由於現在各種DNN的代碼開源了，如TensorFlow，Caffe等，使得很多初學者也能立馬用起DNN，尤其是在圖像識別領域。

初學者在嘗試過DNN這麼好的效果之後，就容易無法靜下心去學傳統的圖像處理的知識，可能最終教育出的機器視覺專業的學生「不知濾波，無論SIFT、SURF」。

在非視覺的機器人領域也一樣，已經有人用NN來做機器人的運動學逆解求解、抓取姿態生成等工作，初學者利用現場的神經網路，很容易就能重現上面的這些工作。這就容易造成初學者無法認真推導DH、忽視真實環境的物理模型等。

③對其他人可能會造成傷害：

以近兩年的CVPR來說，機器視覺的頂會基本都是DNN了，傳統的方法基本很難在這類頂會上見到了。這就容易造成非DNN的研究曝光率降低，從而影響其他領域的發展。

還有就是如果在自動駕駛車上只使用DNN，當車輛遇到訓練集外的例外場景，可能就會對用戶造成傷害。

當然，對於②③點，有人可能有異議：如果DNN確實比傳統方法好，用DNN又何嘗不可，為什麼非要堅持傳統方法？

（以下純屬個人觀點）

這就得說到我個人對DNN的態度了。

如果說DNN確實被證實是有效的，那自然可以不用學傳統方法了，但問題就在於①現在還沒有理論證明DNN是確定有效的，而真實的環境（圖像、動力學模型等）無法窮舉，訓練數據集無法囊括所有情況，DNN研究者無法確切地指出一個深度網路是否存在例外情況。

就如「四色定理」一樣，1976年，計算機已經測試了100億個樣例都滿足四色定理，但是數學家們還是希望能得到一個完備的理論推導證明。

當然，有人說人的大腦也是End to End的模式，深度學習肯定是正確的。

但是，雖然人腦是End-to-End模式，但②我們目前尚未弄清楚人大腦的運行原理，我們不清楚人的大腦網路結構是否類似目前這些網路？

例如人腦中的祖母細胞（Grandmother Cell），或者說Concept Cell（nature.com ）就很有意思。大概意思是說人腦中有一些細胞，是專門用於識別特定物品的，例如，你的大腦中可能就有一個細胞是專門用來識別你的祖母的。這其實很反直覺，目前的深度網路也很難體現這種特性。

此外，人類在學習的時候可能通過給定簡單的幾個規則，並不一定需要像DNN一樣提供非常大量的數據。所以我認為人腦的運行模式存在著與DNN所不同的另一種模式。

所以，我認為DNN是機器人學中的禁術，初學者切勿過早接觸。當你的功力提升到一定境界，可以掌握這股洪荒之力時，才可以在家長監督下使用。

我來說一個吧，這個是現控課上，老師的師爺的一種方法，我們知到飛行器的控制是需要詳細的建模的，而外部環境會對航天器產生各種各樣的擾動對吧，而我們也需要了解這些信息對吧？

凡是學控制的我想各位老師都給各位說過這樣一句話，你能測多准，我就能控多准。。

但是問題來了，我的這位祖師爺要解決的是在月球上返回時候的控制問題，嗨呀，這下可麻煩了，月球上我們了沒有那麼完備的大氣引力等等的模型比如地球wgs84等等的，這可咋辦？

於是，我的這位祖師爺展現了一種天才的工程式控制制思想。

我們知道，高階系統是可以降階成二階系統的對吧，那麼，我們就把這個飛行器運動設為二階系統，這樣他就只有三個變數k,ξ,ω對吧，這些參數是能夠通過參數辯識求出來的！

於是，這樣一個高階非線性強耦合的時變複雜系統就被變成了一個二階系統，然後一個極點配置，搞定了。。。。。

當然實施起來不會像我說的這樣簡單，但是這是一種很先進的思想。

而我這位祖師爺也就靠著這種理論，成為了工程院院士。

能花錢解決的硬體問題，絕對不指望用軟體解決……算不算

分怎麼看了，我覺得禁術也有可能是看似華麗實際得不償失的，我覺得欲練神功必先自宮也算吧哈哈哈哈。

所以我覺得，應該是自適應控制吧？

加錢買好設備

理論方面來說，反步法，還有迴路變換算不算？