从具有社会属性的智能系统开始。随着智能系统的感知能力和行动能力日益增强，人与智能系统日益融合，出现了人机共融环境，在这种人机共融的环境中，自然而然就发展出了具有社会属性的智能系统。这种智能系统既然有社会属性，就意味着它要具备可以进化的能力，以下两个方面探讨这个系统的可进化性。

●一个方面是智能系统必须要具备可以内部进化的能力。系统如果要进行内部进化，通过一个单一的计算平台是不可能实现的，所以需要实现不同平台之间的交互，比如说机器人端和云端的计算平台之间的交互，也就是「云机器人」的概念。

●另一个方面是智能系统要具备外部进化的能力。比如说通过人与机器人之间的交互来让智能系统拥有外部可进化性的能力，这也就是我们讲的「社交机器人」的概念。

二、面向长期自主定位的云移动机器人

面向长期自主定位的云移动机器人。在讲这一点之前，先来回顾一下目前移动机器人或者服务机器人在应用上存在的问题：工作范围受限、业务覆盖受限、提供服务受限以及运维成本高。

这些问题看上去是应用层面的问题，然而具体到技术层面，实际上是关键的技术（长期自主的移动或长期自主和大面积覆盖的移动）并没有得到很好的突破的问题。

而这项关键技术也存在以下三大主要挑战：

●第一个挑战是，需要覆盖大面积的区域，这样就需要大量的数据来描述不同的环境；

●第二个挑战是，还需要让移动机器人适应动态场景，比如说检测和跟踪静态或动态的物体、学习更多的知识来预测环境变化；

●第三个挑战是，由于移动机器人需要长时间运行，随着时间增长，它要求的数据存储量也越来越多。

这样的话，我们就需要让机器人拥有更多的存储空间和更强的运算能力，如果只是靠它们的单机本体其实是很难实现的。

这里面就提到了「云机器人」的概念，它就是利用了机器人端的运算以及云端的运算来进行机器人技术研究。总体而言，云机器人有几个优点，包括：

●第一，它可以利用云机器人的框架弹性分配计算资源，这样就可以实现在复杂环境中的同时定位与制图；

●第二，它可以在这个框架下访问大量的数据库，比如说我们在做识别和抓取物体的时候，需要用很多的数据库来进行比对，另外比如说我们做基于外包地图的长期定位，也需要访问大量的地图的数据库；

●第三，这种机器人可以形成知识共享，也就是多机器人系统间的信息共享。也就意味着这些多机器人之间可以根据情况配备不同的装备，同时它们之间可以在云端形成一些知识共享。

我们知道使用传统方法研究的机器人是将环境中的人当做障碍物的，这样就产生了一个问题：导致整个系统的移动效率低，甚至在人群密集的环境中很有可能是失效的。

因而有科研团队提出一种新型智能移动机器人，其在未知的环境中具有学习行人行为模式的能力，这样就可以增强移动机器人的智能理解和智能决策的能力。这团队做了三个方面的工作：第一是未知环境可通行域感知，第二是半稠密环境语义地图制作，第三是人机共融动态环境下同时定位与地图更新。

这个系统主要有两个贡献：首先是提出了一种基于行人行为学习的机器人可通行区域制图算法，也就是「Learning from Social Behaviors（LSB）」；其次是一种适应人机共融动态场景下的机器人同时定位与地图构建的方法（DM－LSAM）。二者其中的焦点就在于如何在动态环境适应能力、定位精度与鲁棒性这几个因素之间寻求平衡。

2018年全球服务机器人市场规模将达到92．5亿美元，2020年将快速增长至156．9亿美元。2018年，全球家用服务机器人、医疗服务机器人和公共服务机器人市场规模预计分别为44．8亿美元、25．4亿美元和22．3亿美元，其中家用服务机器人市场规模占比最高达48％，分别高于家用服务机器人、公共服务机器人20、24个百分点。

2017年全年机器人行业融资数量超过110次，总融资规模超200亿元，2018年全年融资次数有望超越2017年。从细分领域来看，个人／家用机器人、AGV、协作机器人、机器视觉等领域投融资案例较多，规模较大。

智能移动机器人将进入4．0时代，把云端大脑分布在云到端的各个地方，充分利用边缘计算去提供更高性价比的服务，智能移动机器人除了具有感知能力实现智能协作，还具有理解和决策的能力，达到自主的服务。