据创业投资市场研究公司 CB Insights 的最新报告显示，2016 年第一季人工智能创业公司获得的投资数量创下历史新高，达到了 140 笔，这足以证明，人工智能是科技界下一个浪潮，是计算机技术发展的新方向。 图片来自：CB Insights 　　根据CB Insights数据显示，在2016年第一季度，共获得投资143笔，交易额达6.02亿美元。截至到2016年，共有超过200家专注于人工智能的公司获得了近15亿美元的融资。 　　人工智能有望成为未来10年乃至更长时间内科技产业发展焦点，引来无数创新创业公司涌入，人工智能的崛起有望真正改变人类的生活，以医疗、机器人、自动驾驶汽车及物联网领域为代表。 图片来自：CB Insights 　　通过CB Insights数据可以看出，在人工智能领域创业公司从2011年到2015 年，由70笔成长到 400 笔，从年度增长来看不断创新高。2016 年有望创下历史新高，大部分获得投资的人工智能公司都处于发展初期。 　　自上世纪50年以来，对人工智能的研究从未停止，近年来，由于机器学习的迅猛进步，人工智能被视作未来发展方向，也是科技领域的下一个趋势，也吸引着科技巨头争相进入，通过投资和收购等方式抢占先机。 　　在人工智能创业公司投资中，英特尔、谷歌、GE、三星是最活跃的投资者，其中英特尔（Intel Capital ）投资数量第一，投资了有十几家人工智能的公司。包括医疗Lumiata、机器学习DataRobot等众多初创企业，其次是谷歌。

　　六月仲夏，多个城市刷出35摄氏度以上高温，20多摄氏度的沈阳更适合休闲避暑。而沈阳新松机器人公司总裁曲道奎近日却颇为忙碌。 　　6月16日，中国机器人TOP10峰会成立，曲道奎主持了成立会议，并陪同工信部副部长辛国斌开展机器人产业发展专题调研。当日，国务院副总理张高丽视察辽宁，曲道奎陪同张高丽察看新松机器人数字化生产车间。 　　在国际机器人及智能装备产业联盟执行主席罗军看来，机器人产业已成为当前国内最火热的产业之一，从中央部委到地方政府都非常重视。 　　然而，笔者发现，在机器人概念火热的背后却难掩高端产业低端化、核心零部件瓶颈以及机器人企业散乱小三大“痛点”。 　　沈阳新松机器人公司研究院院长徐方对笔者表示，“国内机器人企业多为近五年成立，企业规模较小，多集中在系统集成领域，整机研发能力不足。企业数量多，行业分散，也容易形成‘一哄而上’的局面。” 　　“痛点”1：到底是机器人还是机器？ 　　今年3月，谷歌机器人AlphaGo战胜世界顶级围棋棋手李世石，再次让机器人、人工智能的概念风靡全球。然而，从机器到机器人，一字之差的背后隐藏着大量技术难关。 　　徐方认为，新一代机器人关键技术应该包括视觉感知、认知，轻量化的本体以及新兴材料的应用，可以适应人机协作场合。另外，在人机交互方面需要有更多自然的交互手段，而不是现在的示教方式。 　　然而从机器到机器人，不管是国内还是国外企业，实际上都还有不小的距离。罗军告诉笔者，“现在工厂的机器手臂、物流机器人等还只能算作是自动化机器，最多只能算是机器人1.0。真正的机器人应该是机器加上人工智能，并融入信息技术和互联网技术，能够自我感知、学习、决策，我将之称为机器人2.0。” 　　罗军认为，中国机器人不仅面临1.0时代的巨大差距无法缩小，又面临2.0时代的巨大鸿沟无法跨越。 　　今年4月26日发布的《机器人产业发展规划（2016~2020年）》提出，将率先突破弧焊机器人、真空（洁净）机器人、手术机器人、智能护理机器人、人机协作机器人等十大标志性产品。 　　以手术机器人为例，罗军向笔者介绍，目前全球微创医疗手术机器人基本被美国达芬奇机器人垄断。 　　“达芬奇机器人被誉为‘高级的腹腔镜系统’，能让外科医生坐镇立体声控制台通过患者床边的机器手臂实现对内窥镜手术器械的远程控制。从临床经验来看，利用达芬奇机器人进行前列腺手术，可更加精准地解剖和操作，能减少人出血和创伤。”罗军说。 　　而在国内，手术机器人基本还处于研发阶段。记者注意到，今年6月新松机器人还参股辽宁何氏眼科医院。新松机器人品牌与公共关系部部长哈恩晶向笔者介绍，“参股医院体现了新松在未来医疗机器人领域的布局。新松目前主要做的是医疗康复、残疾人辅助方面的机器人，尚未研发用于手术的机器人。” 　　与国外已经具备初级人工智能的机器人相比，我国机器人尚难以匹敌，甚至与国外成熟的工业机器人相比，我国的机器人依然有不小差距。 　　中国电子信息产业发展研究院发布的《中国机器人产业发展白皮书（2016版）》显示，国产工业机器人以中低端产品为主，主要是搬运和上下料机器人，大多为三轴和四轴机器人，应用于汽车制造、焊接等高端行业领域的六轴或以上高端工业机器人市场主要被日本和欧美企业占据，国产六轴工业机器人占全国工业机器人新装机量不足10%。 　　此外，近年来，在各类演艺舞台、展会上也不乏机器人的身影。机器人唱歌、跳舞、甚至与人对话，总能引来不少围观。罗军不禁感叹：“这些看似高端的机器人实际上并没有太多核心技术，更谈不上人工智能。本来应该是高端的装备，但是现在却被用来唱歌跳舞，机器人被当作玩具。” 　　“痛点”2：关键零部件大量依赖进口 　　除了高端产品缺乏，我国机器人产品的核心零部件依赖进口的局面仍未改变。控制器、伺服电机、减速机被视为机器人的三大核心零部件，占到机器人成本的70%，这也是制约中国机器人产业的主要瓶颈。 　　上述白皮书数据显示，2015年约有75%的精密减速器由日本进口，主要供应商是哈默纳科、纳博特斯克和住友公司等；伺服电机和驱动超过80%依赖进口，主要来自日本、欧美。 　　以伺服电机为例，实际上国内也是能够生产的，但是徐方告诉笔者：“机器人用的伺服电机和其他设备的伺服电机也有所不同，机器人上需要高速、高精度、高可靠的伺服电机，目前国产的伺服电机只能满足焊接机器人的要求。” 　　另外，减速器作为连接动力源和执行机构之间的中间装置，用来精确控制机器人动作，传输更大的力矩，对机器人的精度影响很大。“减速器和伺服电机的情况类似。与通用减速器相比，机器人关节减速器要求具有传动链短、体积小、功率大、质量轻和易于控制等特点。”徐方对笔者说。 　　据他介绍，现在机器人上使用的RV减速器和谐波减速器，属于高端的减速器，虽然国内也有厂家生产，但是规模很小，目前RV减速器仍然被日本的纳博特斯克公司垄断，日本的哈默纳科则在谐波减速器上占绝对优势。 　　此前，有行业人士透露，一台精密减速器四大国际巨头采购价为3万元-5万元，卖给国内关系好的客户约7万元，关系一般的普通客户约12万元，内资企业采购精密减速机的成本比国际巨头贵一倍还多，可见其间的利润差别有多大。 　　上述白皮书显示，关键零部件大量依赖进口，导致国内企业生产成本压力大，比之于外企，国内企业要以高出近4倍的价格购买减速器，以近2倍的价格购买伺服驱动器。 　　罗军说：“谷歌、IBM、微软等美国企业正在开辟机器人一个新时代，而且布局已经基本完成。而我国目前还处在谋求伺服电机、控制器、减速器领域的自主化。” 　　具备人工智能的机器人尚未取得有效进展，高端产品缺乏，核心零部件受制于人。6月16日，在沈阳举行的机器人TOP10峰会上，工信部副部长辛国斌也直言：“我国机器人产业已出现‘高端产业低端化’的趋势。” 　　“痛点”3：机器人产业已现投资过剩 　　尽管目前国内机器人行业短板明显，但这丝毫没有影响到地方政府和企业对机器人行业青睐。 　　据中国机器人产业联盟数据表明，过去两年，建成和在建机器人产业园区超过40个。中国机器人产业联盟副秘书长姚之驹此前表示，过去两年里，各地出台的对机器人产业的扶持政策有77项之多。 　　在4月26日举行的《机器人产业发展规划（2016-2020年）》新闻发布会上，工信部装备工业司司长李东也介绍，初步统计，涉及生产机器人的企业超过了800家。 　　在行业火热表象背后，部分业内人士也对这种“大干快上”的局面表达了忧虑。辛国斌在6月16日的机器人TOP10峰会上直言：“我国机器人产业有投资过剩的隐忧。” 　　罗军就向笔者说：“现在机器人企业有800多家，机器人园区超过40个。但是在这800多家企业里面，将近一半企业是没有产品的空牌子。剩下的一半企业里面将近70%~80%是在代理别人的产品，真正能自己生产零部件或机器人产品的企业，国内也就100家企业左右，而且这100家企业在核心零部件方面仍然主要依赖进口。”

　　工业机器人在日本流行绝非偶然，二战之后，日本的工业资源匮乏，劳动力严重短缺，这为日本的工业自动化发展提供了良好的发展基础。目前，日本已经发展成为全世界最大的工业机器人制造国。下面让我们来看看日本比较成规模的三大机器人公司吧。 　　NO.1：日本发那科(fanuc) 　　Fanuc(发那科)是日本一家专门研究数控系统的公司，成立于1956年。是世界上最大的专业数控系统生产厂家，占据了全球70%的市场份额。FANUC1959年首先推出了电液步进电机，在后来的若干年中逐步发展并完善了以硬件为主的开环数控系统。进入70年代，微电子技术、功率电子技术，尤其是计算技术得到了飞速发展，FANUC公司毅然舍弃了使其发家的电液步进电机数控产品，一方面从GETTES公司引进直流伺服电机制造技术。 　　自1974年，FANUC首台机器人问世以来，FANUC致力于机器人技术上的领先与创新，是世界上唯一一家由机器人来做机器人的公司，是世界上唯一提供集成视觉系统的机器人企业，是世界上唯一一家既提供智能机器人又提供智能机器的公司。FANUC机器人产品系列多达240种，负重从0.5公斤到1.35吨，广泛应用在装配、搬运、焊接、铸造、喷涂、码垛等不同生产环节，满足客户的不同需求。 　　2008年6月，FANUC成为世界第一个突破20万台机器人的厂家；2011年，FANUC全球机器人装机量已超25万台，市场份额稳居第一。 　　2013年新品机器人是最新型多功能6轴小型机器人，本体轻量化至25KG，手腕部位最大负载提高至7KG；通过展示其高速高负载的运动特性，推动其在IT行业内的应用拓展。LRMate200iD和视觉跟踪系统的结合，对输送线上的IT部品(内存条)进行位置判别，进行高速智能整列，展示出LRMate200iD智能应用特点及高速运动特性。 FANUC6轴小型机器人 　　NO.2：日本爱普生机器人 　　精工爱普生公司成立于1942年5月，总部位于日本长野县诹访市，是数码映像领域的全球领先企业。爱普生集团通过富有创新和创造力的文化，提升企业价值，致力于为客户提供数码影像创新技术和解决方案。目前在全球五大洲32个国家和地区设有生产和研发机构，在57个国家和地区设有营业和服务网点。

　　2012年11月23日，应该是一个让时任谷歌人工智能实验室专家的Geoff Hinton倍感欣慰的日子，在这一天，纽约时报发布了名为《Scientist See promise in Deep Learning Program》（科学家们在深度学习上看到了希望）的报道，正式标志着深度学习被学界乃至全社会完全接受，从那时开始，Hinton大神数十年的默默坚持，终于给深度学习带来了一段持续至今的全盛期。 　　谁也无法否认在计算能力爆炸性增长的今天，的深度学习确实取得了巨大的成就，每一个置身于AI研究行业的人或许都永远不会忘记，在李世石和AlphaGo的对决中，人们的态度由最初的漫不经心，到中间的震惊和沉默，第四局李世石战胜之后的狂喜，和最终的叹息和敬佩。可是在这股科学界“全民DL”的风潮下，却逐渐有人开始对它提出了自己的质疑。 　　CVPR2016上，Mobileye的CTO Amnon Shashua在演讲中说道：他认为深度学习的研究绕了远路。因为真正的AI应该能帮人类解决人类解决不了的问题，而目前的AI的表现却仅限于人类已经能非常明确的理解和解释的领域。 　　同样是在CVPR期间，巴黎高等计算机视觉研究所的主任Nikos Paragios表示，深度学习方法几乎已经垄断了目前的计算机视觉，甚至是AI科研领域的所有研究，导致其他的方法和基础研究无人问津，对此感到有些担忧。 　　而在本届的IJCAI上，在计算机哲学上已有数十年经验的Aaron Sloman也在演讲中表示，自己认为AI作为一门科学（而不是工程学）已经在过去的二三十年间失去了方向。 　　今天Facebook搞了个大新闻：有多家主流媒体报道了Facebook即将建立的新数据中心和专为深度学习而研制的服务器Big Sur，而这个新闻却反而再次唤醒了我们心中的疑问：Facebook和Google它们现在努力的方向，会不会错了？ 　　让我们先来看看关于Facebook这个服务器的其中一条新闻吧： 　　走进Facebook AI数据处理的心脏 　　从北美的西部访问facebook的话，你的访问数据有很大可能会经过一个位于俄勒冈州中心的高地沙漠中一块被充斥着满满的杜松香气的空气所冷却的服务器群。在普林维尔的市区，一个有大概9000人常住着的地方，Facebook存储着他们数以亿计的数据。一行一行的电脑整齐的排列在四座总占地面积将近75000平方米（800000平方英尺）的巨型建筑里。这些建筑被设计成刚好能让从西北吹来的干燥，并且通常相当凉爽的风吹进它们之间。过道中堆叠着的服务器闪着蓝色和绿色的灯，发出着单调的噪音，但在内部它们其实每时每刻都在不间断的处理着Facebook登陆、赞和“大笑”之类的服务进程。

　　机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“足够好”的算法来解决你的问题，或者这里有些技巧可以参考，下面来分析下各个算法的优缺点，基于算法的优缺点，更易于我们去选择它。 　　· 偏差&方差 　　在统计学中，一个模型好坏，是根据偏差和方差来衡量的，所以我们先来普及一下偏差和方差： 　　偏差：描述的是预测值（估计值）的期望E’与真实值Y之间的差距。偏差越大，越偏离真实数据。 　　方差：描述的是预测值P的变化范围，离散程度，是预测值的方差，也就是离其期望值E的距离。方差越大，数据的分布越分散。 　　模型的真实误差是两者之和，如下图： 　　如果是小训练集，高偏差/低方差的分类器（例如，朴素贝叶斯NB）要比低偏差/高方差大分类的优势大（例如，KNN），因为后者会过拟合。但是，随着你训练集的增长，模型对于原数据的预测能力就越好，偏差就会降低，此时低偏差/高方差分类器就会渐渐的表现其优势（因为它们有较低的渐近误差），此时高偏差分类器此时已经不足以提供准确的模型了。 　　当然，你也可以认为这是生成模型（NB）与判别模型（KNN）的一个区别。 　　为什么说朴素贝叶斯是高偏差低方差? 　　以下内容引自知乎： 　　首先，假设你知道训练集和测试集的关系。简单来讲是我们要在训练集上学习一个模型，然后拿到测试集去用，效果好不好要根据测试集的错误率来衡量。但很多时候，我们只能假设测试集和训练集的是符合同一个数据分布的，但却拿不到真正的测试数据。这时候怎么在只看到训练错误率的情况下，去衡量测试错误率呢？ 　　由于训练样本很少（至少不足够多），所以通过训练集得到的模型，总不是真正正确的。（就算在训练集上正确率100%，也不能说明它刻画了真实的数据分布，要知道刻画真实的数据分布才是我们的目的，而不是只刻画训练集的有限的数据点）。而且，实际中，训练样本往往还有一定的噪音误差，所以如果太追求在训练集上的完美而采用一个很复杂的模型，会使得模型把训练集里面的误差都当成了真实的数据分布特征，从而得到错误的数据分布估计。这样的话，到了真正的测试集上就错的一塌糊涂了（这种现象叫过拟合）。但是也不能用太简单的模型，否则在数据分布比较复杂的时候，模型就不足以刻画数据分布了（体现为连在训练集上的错误率都很高，这种现象较欠拟合）。过拟合表明采用的模型比真实的数据分布更复杂，而欠拟合表示采用的模型比真实的数据分布要简单。 　　在统计学习框架下，大家刻画模型复杂度的时候，有这么个观点，认为Error=Bias+Variance。这里的Error大概可以理解为模型的预测错误率，是有两部分组成的，一部分是由于模型太简单而带来的估计不准确的部分（Bias），另一部分是由于模型太复杂而带来的更大的变化空间和不确定性（Variance）。 　　所以，这样就容易分析朴素贝叶斯了。它简单的假设了各个数据之间是无关的，是一个被严重简化了的模型。所以，对于这样一个简单模型，大部分场合都会Bias部分大于Variance部分，也就是说高偏差而低方差。 　　在实际中，为了让Error尽量小，我们在选择模型的时候需要平衡Bias和Variance所占的比例，也就是平衡over-fitting和under-fitting。 　　偏差和方差与模型复杂度的关系使用下图更加明了： 　　当模型复杂度上升的时候，偏差会逐渐变小，而方差会逐渐变大。

　　现在的无人机大多是属于四轴无人机，这样的无人机也是比较的方便。但是你知道为什么四轴无人机会登场吗？按照很多人的想法，翅膀越多消耗的电能也就越多，但是为什么四轴无人机还是成为市场的主流，这就要从它的构造说起了。 　　四旋翼飞行器配备了两只功能强大的眼睛：一只能看清自己的“位置”，知道自己是在黄山还是泰山，这就是自带的GPS定位系统；另一只能看清自己的“姿态”，就是知道自己是“坐着”、“躺着”，还是“倒立”，这就是陀螺仪。这两只眼睛还要和“加速度计”配合使用，才能更准确地知道自己的姿态和位置，以及姿态和位置的改变情况。 　　所谓GPS定位系统即全球定位系统(GlobalPositioningSystem)，是一种以全球24颗定位人造卫星为基础，向全球各地全天候地提供三维位置、三维速度等信息的无线电导航定位系统。它由三部分构成：一是地面控制部分，由主控站、地面天线、监测站及通讯辅助系统组成；二是空间部分，由24颗卫星组成，分布在6个轨道平面；三是用户装置部分，由GPS接收机和卫星天线组成。四旋翼飞行器身上安装的就是用户装置部分。 　　陀螺仪又叫角速度计，就是通过一个不断旋转的陀螺记录“姿态”。它的原理跟小时候玩的抽陀螺一样，陀螺一旦转起来，即使地面是斜的，陀螺还是会保持垂直旋转，具有“定轴性”，我们可以假定这个姿势是“坐姿”。当四旋翼飞行器“躺下”时，便与坐姿产生了一个夹角，但陀螺仪依然会沿着“躺姿”的轴继续高速旋转，具有“进动性”。利用安装在陀螺仪上的传感器就可以知道这个夹角的大小和方向，从而确定“姿态”的变化。 　　认清了自己之后，四旋翼飞行器还需要认识他人。一般的四旋翼飞行器会配备一架高级相机，这台高级相机，其实和咱们日常使用的相机是一个原理，只是多了一个高级的视觉处理系统，犹如人的视神经系统一样，可以感知周边环境。“相机”分辨率越高四旋翼飞行器就“看”得越清楚。 　　四旋翼飞行器拥有对称分布在身体的前后左右的四只“翅膀”，它们在同一高度的平面上，大小完全相同，由四个对称分布在“翅膀”支架端的电机提供动力，支架中间安放着GPS、陀螺仪、加速度计、感应器、视觉感应系统和红外线测距装置等。 　　四旋翼飞行器的四只“翅膀”不停的转动会提供升力，转速的改变可以改变升力的大小，从而改变四旋翼飞行器的位置和姿态。另外，相邻的翅膀要做相反方向的旋转，这样才能产生平衡的力矩防止四旋翼在空中“打转”。

　　飞控系统是无人机的核心控制装置，相当于无人机的大脑，是否装有飞控系统也是无人机区别于普通航空模型的重要标志。 　　在经历了早期的遥控飞行后，目前其导航控制方式已经发展为自主飞行和智能飞行。导航方式的改变对飞行控制计算机的精度提出了更高的要求；随着小型无人机执行任务复杂程度的增加，对飞控计算机运算速度的要求也更高；而小型化的要求对飞控计算机的功耗和体积也提出了很高的要求。高精度不仅要求计算机的控制精度高，而且要求能够运行复杂的控制算法，小型化则要求无人机的体积小，机动性好，进而要求控制计算机的体积越小越好。 　　在众多处理器芯片中，最适合小型飞控计算机CPU的芯片当属TI公司的TMS320LF2407，其运算速度以及众多的外围接口电路很适合用来完成对小型无人机的实时控制功能。 　　它采用哈佛结构、多级流水线操作，对数据和指令同时进行读取，片内自带资源包括16路10位A/D转换器且带自动排序功能，保证最多16路有转换在同一转换期间进行，而不会增加CPU的开销；40路可单独编程或复用的通用输入/输出通道；5个外部中断；集成的串行通信接口（SCI），可使其具备与系统内其他控制器进行异步（RS 485）通信的能力；16位同步串行外围接口（SPI）能方便地用来与其他的外围设备通信；还提供看门狗定时器模块（WDT）和CAN通信模块。 　　飞控系统组成模块 　　飞控系统实时采集各传感器测量的飞行状态数据、接收无线电测控终端传输的由地面测控站上行信道送来的控制命令及数据，经计算处理，输出控制指令给执行机构，实现对无人机中各种飞行模态的控制和对任务设备的管理与控制；同时将无人机的状态数据及发动机、机载电源系统、任务设备的工作状态参数实时传送给机载无线电数据终端，经无线电下行信道发送回地面测控站。

　　中国已连续三年成为全球最大的工业机器人消费国，不过这一行业在国内显得有些过于火热了。 　　在7月6日举行的中国国际机器人产业发展高峰论坛期间，工信部装备司副司长王卫明称，国内机器人产业存在过热隐患，并且已经呈现出高端产业低端化的趋势。“目前国内的机器人企业发展处于风口浪尖，有市场需求以及金融机构助力的原因，也可能有盲目发展的虚火。”这位主管国内机器人产业发展的政府官员表示。 　　自2013年以来，中国已经连续蝉联全球最大的机器人消费市场。根据国际机器人联合会发布的数据，去年中国工业机器人的销量为6.6万台，同比增长16%，这一数字占到全球销量的27.5%。 　　国内快速增长的市场需求，让机器人产业在最近几年迅速成为热词，这从地方政府对于该行业的重视程度可见一斑。 　　根据工信部的统计，有28个省、自治区及直辖市将机器人及关键零部件作为重点发展的行业。截至2015年底，全国已建和在建的产业园超过40个，这一数字还不包括处于筹备中的园区。 　　王卫明称，各地现在都很重视机器人产业，机器人企业无论体量大小都会成为政府的座上宾，并得到资金、土地等各类扶持政策的支持。

　　BackChannel 的一篇来自 Steven Levy 的文章描述了 Google 从培训、雇佣、管理、技术等各个方面的措施和转变，并且介绍了机器学习在 Google 崛起的历史、克服的阻力、以及势不可挡的未来。 　　Google 正在打造机器学习的“忍者团队” 　　Carson Colgate，一名 Google 机器学习队伍的新成员。     　Carson Holgate 正在训练自己成为一名“忍者”。 　　她今年 26 岁，之前已经在跆拳道里拿过一个二级的黑带。 这次，她要做的是在算法上成为一名“忍者”。 她在 Google 的 Android 部门担任工程师，现在则被收录到 Google 内部的一个机器学习“忍者项目”。这个项目只招收了 18 个人，这 18 个人却都是 Google 各个产品部门的精英。他们将要把学习到的人工智能技巧，用于打造他们各自负责的产品。 　　在 Google 负责内部机器学习、管理此“忍者项目”的产品经理 Christine Robson 说：“这个项目邀请 Google 全公司对机器学习感兴趣的工程师， 与机器学习团队一起学习 6 个月，跟导师取取经，做一些项目，然后开展和实施项目，从中学习经验和教训。” 　　很多年来，机器学习被认为是一个只有技术精英才懂的技术

　　GPS经常是我们谈起无人机系统时首先想到的功能模块，而能够按照预先规划的飞行路线进行自动飞行，也是无人机在功能上与航模的主要区别之一。 　　不管是天上飞的，地上跑的，还是海里游的交通工具或仪器设备，如果我们希望能引导它们到期望的目标位置，就需要获得被控对象在某个坐标系中的具体坐标，无人机导航也是如此。我们期望无人机从A点飞到B点，就要不断通过GPS或其它导航仪器获取无人机当下的位置坐标，并根据无人机的位置调整无人机的姿态，最终到达目的地。 　　在无人机导航中，对GPS的数据经常出现一些误解，比如GPS输出的高度坐标是相对于海平面，所以应该像经纬度一样可以直接使用；通过GPS获得的速度信息可以直接使用；IMU输出的飞行器加速度是平面加速度…… 　　中学物理知识告诉我们，当我们描述物体运动时，一定是相对于特定坐标系的，GPS和IMU等设备在输出运动和位置数据时也是如此，这些问题所涉及的正是无人机导航中的基础概念——无人机坐标系——这也是无人机导航中最容易让人混乱的概念之一。 　　无人机导航中常见的坐标系包括： 　　地球中心坐标系（ECEF）（EarthCenteredEarthFixedCoordinateSystem，ECEF） 　　WGS-84大地坐标系（WorldGeodeticCoordinateSystem1984） 　　当地水平坐标系（North-East-DownCoordinateSystem，NED） 　　机体坐标系（BodyFrame） 　　机体水平坐标系（Vehicle-carriedNEDCoordinateSystem） 　　接下来我们就来简单说明一下这些坐标系在无人机导航中的应用。 　　地球中心坐标系（ECEF） 　　ECEF坐标系与地球固联，且随着地球转动。图中O即为坐标原点，位置在地球质心。X轴通过格林尼治线和赤道线的交点，正方向为原点指向交点方向。Z轴通过原点指向北极。Y轴与X、Z轴构成右手坐标系。