服務機器人正在以高速的增長速度加速步入我們的日常生活。根據IFR的最新統計，未來三年內，服務機器人市場規模將達到目前的5倍。正是基于廣闊的市場前景，美國國家科學基金會頒布了《美國機器人技術路線圖》，其中服務機器人作為單獨的一章重點論述。知己知彼，了解美國服務機器人發展動向，可更好地幫助我們與時俱進。

　　上期，我們刊發了《美國服務機器人技術路線圖（上）》，從美國服務機器人的發展現狀、戰略布局、面臨的挑戰等方面，詳細梳理了服務機器人在美國以及全球發展的路徑。本期我們進一步深入，具體從應用場合、技術發展方向等層面，闡述下一階段美國的策略，相信讀完此文，你會對美國在服務機器人領域的規劃，形成全方位的認識。

　　主要的挑戰與能力

　　范例場景

　　● 生活品質

　　機器人技術，希望給老年人和殘疾人的生活質量帶來巨大的提升。比如，一種革命性的輸運移動解決方案能夠讓使用輪椅的殘疾人士獨立的進出車輛 。這種系統使依賴于輪椅的人，可以使用普通客車而不需要他人的幫助，因而賦予了他們以前不具備的獨立和自由度。這種系統提供了超過現有輸運移動解決方案的顯著優點，包括更低的成本，使用標準碰撞檢測過的汽車座椅，更多的座駕選擇，以及無需對車輛結構進行改裝。

　　● 農業

　　在農業中，機器人技術也希望能夠由大量的應用，幫助農民降低成本、提高生產率。機械收割機和其他農業機械需要專業駕駛員進行有效工作，同時，諸如勞動力成本和操作疲勞等因素增加了農業成本，限制了這些機器的生產率。自動化操作，如噴灑農藥、收割和采摘等，為縮減成本、增加安全、增大產出、增加操作柔性、夜間作業、減少化學品的使用等，提供了可能。大量的原型系統及應用，包括自動水果農藥噴灑作業，農業收割已經被開發出來。這些技術，已經成熟到了未來幾年之內就可以進行商業化開發及使用的程度。

　　● 基礎設施

　　機器人技術擁有巨大的潛力，可用于自動化檢測和保養整個國家的橋梁、高速公路、管道和其他基礎設施。當前，通過提供準確詳細的管道狀態信息，機器人技術已經用于開發自動管道檢測系統，減少維護和復原成本。基于高級多傳感器和其他機器人技術的系統，用于檢測地下建筑和環境。實現這些檢測通常非常困難，包括大直徑管道、長距離延展、倒置、冠狀、涵洞、檢查井以及在役檢驗。這些機器人平臺通過廢水管道，檢測難以通過傳統方式接近的排污管，生成非常準確的管道內表面三維圖像。檢測信息以數字形式捕捉，同時用于未來的檢測，并自動計算缺陷部位隨時間演化的過程。

　　● 礦業

　　機器人技術已開始對地下和地表礦產工業產生巨大的影響。一種創新的傳送帶檢測系統使用高速機器視覺系統和軟件算法監控傳送帶的狀況，為操作員提供故障檢測。這種檢測系統，已經使用在幾個地下煤礦中。專用保護系統用以減少由于皮帶連接處碎裂，導致耗費巨大的停工期。在更大的尺度上，機器人技術被用于開發礦山用自主運輸卡車。Caterpillar公司在2015年前開發一種自主礦山用運輸系統，整合了數臺自主運輸卡車，每臺卡車運載能力在240噸以上。自主技術通過對生產過程提供一致性來促進與提高生產率，同時將環境影響降到最小，最終提高效率，提升整體礦業的安全。

　　● 運輸

　　機器人技術將在未來幾十年之內顯著影響客運和貨運的各個方面，從個人運輸系統到智能高速公路，再到智能公共輸運系統。類似 Segway和Toyota這樣的公司已經引入個人輸運系統機器人，乘員以站姿騎乘這類機器人，持續監測乘員位置的內部傳感器控制機器人的運動，并作出自動調整。同時，汽車制造商和設備生產商也制造智能車輛，通過安裝性能更高的計算機和傳感器，為乘員提供更好的環境感知和駕駛感受。

　　內華達州和佛羅里達州已經通過法律，允許了無人車輛的使用。在內華達州，兩輛車被授予駕照（一輛來自谷歌公司，一輛來自奧迪公司）。行駛的道路只增加5%的容量，就能夠導致37億駕駛小時延誤，以及23億加侖燃料的浪費。

　　為了解決這個問題，高速公路管理局嘗試通過安裝傳感器、攝像頭和自動收費讀卡器，嘗試創造智能道路。一個公私聯合的國內組織，車輛技術車設施一體化組織（VII），已經開始融合智能車輛和智能道路，用以創建虛擬交通信息網，同時解決交通堵塞問題。大眾運輸系統也希望采用機器人技術，為操作者提供更大的位置，感知能力和在擁擠的城市廊道中提供導航輔助的能力。因而，機器人技術將有助于控制運輸成本、增加運輸安全。

　　● 教育

　　機器人已經開始改變美國的課堂。機器人把學術的概念植入課堂中，同時在所有K-12和大學教育中使用。機器人提供給學生可以接受的集成手段，調查數學、物理、計算機和其他STEM學科的基本概念，同時使教師能夠同時介紹設計、創新、問題解決和團隊的概念。機器人課程已經發展起來，教師也已經通過培訓。每年，全國范圍的機器人比賽成績都會被保存。大概最知名的機器人競賽項目就是由FIRST創辦的了，它建于1989年的非盈利組織，用于激發年輕人成為科學和技術的領導。作為一種衡量機器人比賽普及程度的指標，FIRST希望能有超過32萬名學生參加這一競賽。更為顯著的是， Brandeis大學的一項調查發現，在類似的背景和學術經歷的情況下，FIRST比賽的選手追求科學和技術的比例，是非FIRST比賽選手的兩倍。盡管已經取得了很大進步，但當前的進步也只是機器人對教育潛在影響的一層表皮。為了更充分地發掘這種潛能，面向學生和教師的機器人需要更容易接近、更便宜且更容易使用。

　　● 本土安全和防衛

　　當機器人技術用于國土安全和防衛時，它作為一項創新技術，為搜尋、救援、偵查、防爆、火源檢測以及其他應用，提供多樣化手段的同時也提高了任務的可行性。無人偵查，探測及反應系統利用機器人平臺、固定傳感器、命令和控制網絡系統，來監測和巡邏數百英里長的惡劣邊界地形，尋找并定位化學 /生物/輻射/核/爆炸威脅，同時調查邊境、電廠和機場的廣闊周圍環境。這樣的系統能使安保人員自動檢測潛在危險，從安全距離外觀察危險物，有必要的話可以提供初始的破壞和封鎖危險物存放地。其他裝備紅外攝像機、夜視傳感器和毫米波雷達的便攜機器人已經用于搜尋災難現場幸存者，比如世貿中心。

　　能力路線圖

　　圖1：左欄中的基礎研究領域持續的進步，將促進大量的基本功能的發展，如圖中欄內容。右欄是這些功能一次在應用領域中的進展。

　　為了使服務機器人能夠解決上述問題， 我們給出了必須面對的主要挑戰以及必須培養的關鍵能力。圖1概述了計劃路線以及本文檔的其余部分。圖中，右欄列出了應用領域，其中有許多之前的方案中已描述過。只有當自主機器人同時具有相當一部分技術能力時，這些應用領域才算是取得了重要進步。這些能力被列在圖片的中欄。為了達到機器人技術所要求的水平，在一系列基礎研究和技術方面，都需要進行持續的投入研究和發展。

　　● 移動和操作

　　自主服務機器人通過在他們的工作環境中運動、并與環境相互作用來完成任務。這些運動和物理作用，需要通過改變機器人的位置和在環境中的移動來實現。任務的完成很可能需要復雜的運動和交互程序：機器人可能需要從一個房間移動到另一個房間，或者需要它打開門、爬樓梯、使用電梯、清理路徑中的障礙、去除障礙物或者使用工具。為了具有這些能力，需要機器人技術在傳感、控制和認知方面的大量實質性進步。服務機器人帶來的問題只能通過綜合方案解決。

　　機器人走到不同樓層房間去取箱子，應該考慮到該任務的難度取決于箱子的大小，并且要找到好的抓持方式，舉起箱子，通過狹小的空間，躲避環境中機器人不得不越過的其他目標。為了推動箱子（或者舉起它），機器人需要估算自己的能力，空間的幾何關系，驅動和關節的約束，以及運動過程中接觸的動力學和摩擦。

　　為了得到自己的動作和運動的程序運行方式，機器人需要熟悉它的周圍環境，因為并不是所有所需的信息都能被提供。因此，機器人運行在非結構化和動態的環境時，需要具有在環境中感知對象和計算其屬性的能力。“語義映射”，為機器人提供了完成一個任務所需的環境。目標檢測和識別以及相關的感知能力，則提供了語義映射、導航和目標操作的能力。

　　在5年、10年、和15年內，通過持續的研究和發展，下面的目標可能實現：

　　·5年：機器人在實驗室中利用多樣化的研究機制，在非結構化的二維環境中安全和穩定地導航，實現簡單地選取和放置任務，相關的目標為簡單的機構且具有特定的屬性。機器人通過探測和相互作用以及人類的指令，生成環境語義地圖。他們能夠推斷出復雜的任務，比如移除障礙物、打開柜子等等，從而進入其他的目標。

　　·10年：給出一個環境靜態部分的大概和可能的不完全模型（可能給出一個互聯網數據庫等），服務機器人能夠可靠地規劃執行一個任務。定向運動機器人能建立起對環境的深度感知，構建自己物理動作和理解指令。機器人通過上下樓梯完成對多層環境的導航，也會通過修改環境增加實現任務的機會 （例如移除障礙物、清理障礙、打開燈），檢測和恢復一些故障。服務機器人必須使多個流動結構，比如腿、跟蹤設備和輪子，在全新的、非結構化的動態環境中執行高速的沒有沖突的移動操作。

　　·15年：包括多個運動機構如腿、軌道和車輪的服務機器人，在新的非結構化的動態環境中執行高速、無碰撞的移動操作。它們對自身環境進行適當的翻譯，可能是對執行特殊任務的環境、整體或局部，以及長期的環境所做的呈現（語義地圖）。使用它們不斷規劃以實現全局目標。它們能夠對動態變化做出強有力的反應（例如，由于被推或被擠的意外擾動）。通過任務導向，它們能夠交互探索，通過與環境的相互作用，它們能夠通過智能的方式對任務進行修正，以確保和促進其任務完成。其中包括機器人間的、接觸目標間以及環境的靜態部分間相互作用的物理屬性（滑動、推、扔等）的推理。

　　● 真實世界規劃與導航

　　2009年以來，服務機器人真實世界規劃與導航領域，已在主要途徑上有了發展。這些發展仍然在美國機器人路線圖報告中。當時的關注重點是在高度非結構化情況下，利用有限的經驗知識，對空間和障礙物導航。機器人需要獲得和感知數據，以建立將要規劃的環境模型。在執行這些規劃時，額外的傳感信息將被用于反饋，甚至用于小數量機器人在實驗室環境下進行非實時規劃和控制。

　　自主移動服務機器人在后勤和醫療應用中的部署舉例——上起： Symbiotic， Aethon，和Kiva系統

　　在高度非結構化環境中，在有挑戰性的問題上已經有了進展。自從2009 年以來，最顯著的變化就發生在能夠實時規劃和控制的大型車隊的服務機器人應用領域。那里的環境和任務更加結構化，其應用領域包括物流和材料處理、醫療衛生和農業等（圖2），這些應用不僅在技術發展上很重要，同時服務機器人在解決真實世界問題上更具有價值。有效的社交人際交互與其接口的核心能力研究，必須遵循以人為本的設計進程，并對利益相關者進行嚴格評估。在這一進程中的用戶調查，可能會包括早期設計過程中具有針對性的健康人群，也會包括由此形成的設計迭代評估，并且延伸到病人、醫生、家庭、治療師以及其他一些社會成員。在該領域中，研究和發展的關鍵性方法，是找到合適的措施方法以成功地實現自然交流，使環境與健康應用的聯系真實有效，并研發出對輸入到機器人系統中的實時量測信息進行在線評估和學習的方法。

　　下面的數據有助于了解當前的技術在操作獨立安裝時，車隊的數目在10^3和10^4之間。

　　·實時導航和任務規劃的速度，在每小時10^4到10^5個任務或交易之間。

　　·包括在2D和2.5D中，由地圖定義的網絡技術中的障礙和蔽障導航，如倉庫和醫院的走廊。2.5D來源于在多個樓層或不同級別的規劃和控制任務之間的協調。

　　·協調多個機器人的任務，來完成其同步。

　　·任務，包括感知和操作目標來完成先驗知識的任務。當機器人到達當地場景時，通過傳感信息進行任務描述增強。

　　·重新規劃動態解決問題的能力，如任務失敗、障礙或避免碰撞，包括有人存在的相同操作環境。

　　·高水平的機器人規劃和控制集成，如物流供應鏈或醫院信息系統。

　　圖3為在操作環境和任務中對于實時性能指標和程度結構的描述，目前的路線圖設想推動右上的極限，在不確定和復雜操作中提高能力。

　　以下是產生這種積極效果的方案：

　　·隨機規劃——針對不確定模型，考慮一個確定的計劃和控制問題。一個使用已提出的規劃和控制策略系統的仿真，只有在仿真代表了真實世界的前提下才有效。真實世界的現場實驗，將揭示仿真的需要，以更好地模擬真實世界。如以統計的參數數據代替常數，增加新的動態組件或失效模式的模型，從而通過仿真尋找策略魯棒性的極限。在未來五年，為了使用最初的不確定特征發展規劃和控制，研究的挑戰可能來自直接方法研究。一個現實中真正強大的策劃者，將能夠利用統計知識的優勢對環境建立條件規劃。預見性的規劃都將增加任務的安全性和效率，機器人將能夠根據內置的不確定性進行操作。

　　·當前模型自動檢測的有效性——在未來5~10年，機器人有望工作更長時間。在高度動態環境下，統計模型規劃的時間，可能不能正確地表征隨時間變化的環境。通過魯棒的方法，在飛行器上的檢測仍然使用的是模型，而不是控制回路中不可分割的部分。未來5~10年的目標是，機器人在執行計劃中提高其整合由傳感器獲取數據的能力，以更新的基礎靜態統計模型為基礎，自主決定何時以及如何進行規劃。我們的發展目標是，構建能夠生成和更新的系統，能夠長時間不間斷、不松散地進行監督工作。

　　·模仿和轉移學習——應用在車隊的服務業機器人，可以將固有的知識積累、錯誤庫、不確定性侵入的方式要求頻繁而對任務進行重新規劃。即使每一類重新規劃的發生率很低，我們仍會看到這些問題會再次出現。學習是解決掉每個重新規劃問題的另一種選擇。它應該能夠知道以前出現的錯誤，更重要的是它也能證明重新規劃的有效性。一個10年的目標，是將傳統的規劃技術和可靠性機器學習方法結合起來，以實時條件下重新認識之前發生的重復規劃的問題，并選擇最優解法。許多成果已經可以應用在模仿學習和轉移學習領域中。盡管規劃在連續中，最終執行規劃的特點是連續執行軌跡，但是從更加抽象的角度來看，預想經常性的構建模塊和干擾，也是可能的。分享、重復使用規劃，以及在遇到突發事件時執行復雜動作序列的能力是必要的。在未來 5~10年，機器人應該能夠將他們的規劃貢獻給當地的知識庫，并與其它機器人共享。這樣可以有效地確定計劃，并由此可被重復應用，而不用從頭開始解決復雜問題。長期來看，大型、高效地檢索資料庫的機器人計劃，應成為行星尺度上的可用之舉。

　　·人類監控操作——拿飛行器操作者做類比，這個操作者有這樣一種情境意識：他的空間里有數百架飛行器，飛行器由人類飛行員駕駛，并可通過駕駛員來交流的命令信息（圖4）。這種情況將會在不久將來，伴隨著普通機場引入無人機而改變。作為比較，以目前的邏輯和醫療飛行隊設備，監控人員可展示系統當前的狀態，同時可以處理相當有限的傳感器數據。但是，當飛行器的數量達到1000~10000時，以及每小時10000~100000次的交互量，監控人員就已達到極限。了解這種狀態不僅僅需要系統狀態，而且還需要意識到每個機器人的規劃以及它們如何互相交流和它們所處的不確定的變化環境。這個領域的進步可以通過一個扇形圖量度，即監控員與被監控車輛的比率，從目前的10到5年后的100，再到10年后的1000。這個系統的等級模型被用來確保監控員在合適的水平下放大情景，以及在一定水平下不通過監控自動調節。

　　● 認知能力

　　在服務機器人學中，有以下一種需要：在非工程環境下運行，通過使用者示范來獲取新知識，與使用者交互來完成任務和狀態報告，認知系統確保了能夠獲取關于環境的新模型，并可以被用來訓練將來動作的新技能。對于經常性的人機交互，以及幾乎沒有機會對使用者訓練的控制發展，認知能力是非常必要的。此外，為了應對非工程環境智能程度的增加，確保系統的可靠性也是必要的。在5年、10年、15年后，下面的目標在目前的研究和發展條件下是可能達到的：

　　·5年：證明機器人可以通過人類的姿勢和語言交互來學習技能。此外， 獲得關于非模型的室內環境模型。

　　·10年：機器人可以與使用者交互，來獲取新技能以執行復雜的裝配和動作。機器人有一個裝置，可以從簡單的錯誤中自行恢復。

　　·15年：一個機器人伙伴，可以在一系列的服務任務中通過調整技能幫助使用者。這種人機交互，基于對人類固有的認知和重新規劃來幫助操作者。

　　● 可靠性感知

　　由于服務機器人在相對非約束環境下使用，因此需要提供可靠的感知功能，來應對環境的改變。感知對于導航、與環境交互、與在臨近的系統中使用者和任務對象的交互，是非常關鍵的。

　　今天，感知能力集中在幾何形狀的恢復、目標的認知和語意學的情景理解。我們需要改進算法，來超越認識和幾何學到達任務相關的特征實體，例如任務對象（剛性的和可變形的）、文件、環境或者人。這種特征包括：材料特性、任務對象可供性、人類活動、人和對象的交互、來自環境的物理實體的限制等。這些都是先進機器人能力發展必不可少的條件。

　　在未來5年、10年、15年，下面的任務在現有的研究和發展情況下是可能達到的：

　　·5年：感知算法應當與信息在大型場所相結合——家庭、高速公路、醫院、存儲庫——來完成可靠的操作。機器人將能夠察覺任務相關的不同環境和操作對象的特點，并且能夠認識、指出搜索數中混亂環境下的數百個操作對象。

　　·10年：在靜態環境中的基本操作能力，將會被擴展到動態系統中。這將證明機器人系統，能夠覺察動態事件和人類的活動。由此可以學習人類，并與人類協作。為了控制領域，諸如靈巧機械手，靈活性，人機交互和其他任務而革新特種機器人感知的算法是必要的。發展大規模學習和改進感知適應性的方法，對于能夠在擴展的時間段操作的系統發展是非常必要的。

　　·15年：證明一個機器人可以集成多種感覺模式，比如通過對聲音、范圍、視覺、GPS和慣性等感覺的處理，以獲得周圍環境的模型，并將這些模型用于導航、搜索、人機交互，以及和其他新奇的事物交互。未來的焦點是實現機器人長時間在復雜、動態的環境下工作，同時實現人機交互模式下機器人的感覺能力。

　　● 物理且直觀的HRI接口

　　不論是部署專業的，還是家用的服務機器人，都需要利用接口以便用戶可以更容易地訪問系統。而被部署在社區的機器人，需要提供最簡單的接口，以便使用者通過簡單的培訓即可操作。有兩種類型的接口：伴隨用戶的物理接口;控制機器人的命令接口。物理接口，包括移動物體的機體運動和非接觸互動，比如通過傳達意圖和狀態來改變行為。命令接口，對于任務調度和狀態報告則是必須的，以便讓用戶理解機器人的行為。

　　在5年、10年、15年內，通過不斷地研究和發展，可以達到下面的目標：

　　·5年：證明用于簡單的動作模式的多態會話，可以促進任務命令更加有效，機器人可以傳達身體動作的意圖。

　　·10年：能夠證明，通過周密編程的機器人可以用來學習復雜任務，比如為一個普通人家準備午餐。

　　·15年：能夠證明，在當前一個任務時序里，操作者可以設計機器人來完成復雜的任務。

　　● 技能獲得

　　服務型機器人必須通過持續提高表現，獲得解決新任務的能力，這就要求服務型機器人擁有自我學習新技能的能力。技能可以通過多種方式獲得：通過讀取技能庫獲得其他機器人已經擁有的技能;通過不斷地訓練或在錯誤中獲得;通過觀察人和其他機器人的運動獲得;通過人或者機器人指示器進行教授。然而技能的取得，還要求機器人能夠辨別在何種場景下運用何種技能才算成功，技能可以被參數化，在不同場景下學習和選擇合適參數的能力，同樣被包含在獲得技能的能力中。從一個領域向另一個領域傳遞技能的能力，或者從一個技能向另一個技能傳遞經驗的能力，意味著機器人在獲得能力方面有本質的提高。在感覺、重現、機器學習、計劃、控制、行為識別和其他相關領域的提高，可以促進機器人提高學習技能的能力。

　　在5年、10年、15年內，通過不斷研究和發展，可以達到下面的目標：

　　·5年：機器人可以通過觀察、嘗試、糾錯、證明來學習一系列基本的技能。這些技能可以成功應用在許多與已習得能力有細微不同的情況下。 在情況有細微差別時，通過初始設置，機器人可以自動表現對已學技能的適應性。

　　·10年：隨著感覺能力的提高，機器人可以獲得更復雜的技能，并判斷在何種情況下運用何種技能，且復合能力可以被集成在更加復雜的能力中。機器人可以自動判斷并指出，能夠成功使用技能的情景類型。機器人對影響成功的因素有充分的理解，使其可以管理計劃進程，并將其成功機率最大化。

　　·15年：機器人持續獲得新技能，并且提高已經學得的能力的工作效率。 它可以獲得獨立于技能的知識，從而實現在復雜任務和場景、或新任務下轉變為簡單的技能。機器人能夠識別采用簡單技能和組合技能的一般模式。

　　● 安全機器人

　　現在，機器人的安全性可通過清晰劃分人和機器人的工作區域獲得。隨著人和機器人的工作越來越交織在一起，就需要明確考慮，以實現操作者在一個相對安全的距離外，操作高速運行的機器人。

　　因此，這就需要考慮標準的安全認證。現在，不論是專業機器人還是個人機器人，安全認證的標準都不充分。這些并不足以驅動創新，減緩了推廣的步伐，同時又提高了成本。

　　從技術層面來說，安全涉及多個方面內容，包括對先進感知能力的需求，并用于檢測物體，人和語言。當面對可能危險的場景時，通過控制系統中的固化安全行為機制保證與人和物體的接觸幾乎不產生損失。然而，安全是一個關系未來科技的多層次主題，包括政府和一系列的工業標準，獨立的認證和違責風險。這就需要提高非科技的因素。比如已存在的專業機器人和個人機器人標準，進而向利益相關者展示，明顯的快速創新和應用的需求。

　　在5年、10年和15年內，隨著持續的研究和發展，下面的目標很有可能達到：

　　·5年：

　　1. 針對所有類別的服務機器人安全標準已經被定義，并被廣泛接受。

　　2. 固有安全（硬件和軟件）專業的移動機器人能在具有操控的情況下，與訓練有素的人類在所有專業環境中協同操作（制造業、醫院、實驗室、工廠車間、倉庫等）。

　　3. 固有（硬件和軟件）個人移動機器人，能在無操控的情況下，在所有專業環境中與人類協同作業（家庭、賓館、學校、老年保健院等）。

　　4. 個人基本操作系統有了安全標準實施的第一個版本。

　　·10年：

　　1. 固有安全（硬件和軟件）專業移動機器人在有人操縱的情況下，與未受過訓練的人類在所有專業環境中協同操作。

　　2. 固有安全（硬件和軟件）個人移動機器人，在有操縱的情況下，在所有專業環境中與人協同操作。

　　·15年：

　　固有安全移動機器人，在有操控的情況下，與未受過訓練的人類在所有公共的、個人的、專業的環境中協同操作。

　　基本研究/技術

　　體系構架與表達

　　在過去的20年間，一些系統組織建立的模型已經出現，然而并沒有協議或者系統組織的總體框架被落實。對于自主導航、靈活性以及操控，有一些已經建立的方法，比如4D/RCS和混合協商架構，但是一旦添加相互作用組件，比如人機交互（HRI），很少有一個共同的模型協議。在過去幾年中，認知系統領域已經嘗試研究這一問題，但目前為止，尚沒有一個統一的模型。

　　對于機器人系統的廣泛采用，建立便于系統集成、構件模型和形式化設計的架構框架是很有必要的。適當的架構框架在本質上依賴于任務應用程序域，機器人或者各種其他因素。任一上述框架，都與一組適當的陳述捕獲環境和包括其中的對象的影響緊密相連，比如機器人性能、域名信息以及機器人任務的描述。

　　控制和規劃

　　由于服務機器人需要動態解決現實世界中的問題，無組織的開放環境的出現是在機器人控制算法和運行規劃等領域的新奇挑戰。這些挑戰源于機器人的動作和任務執行中的自主權和靈活性需求的增加。控制和運動規劃的充分算法，將捕獲適應傳感器反饋的高層次的運動策略。研究挑戰，包括傳感方式和規劃、控制算法中不確定性的考慮;合并反饋信號的陳述和運動策略能力的發展;受約束的運動，產生于運動學、動力學和非完整系統;解決動態環境下的對象特性; 為混合動力系統開發控制和規劃算法;理解這些算法問題在控制和運動規劃中的復雜性。

　　認知能力

　　在過去的幾十年中，知覺和感覺處理方面已取得了巨大進步。比如基于Web的搜索，例如谷歌圖像和安全應用程序中的人臉識別。在自然環境中的定位和本地化，在工程環境中也是有可能實現的。在過去十年里，特別是激光掃描儀和GPS的使用已經改變了導航系統的設計并促成了新一代的解決方案。在過去5年中，RGB-D傳感器技術的使用和打開機器人軟件框架，已取得巨大的進步。

　　雖然如此，常見的無GPS環境中的定位和規劃，仍然是一個重要的研究領域。此外，我們已經在圖像識別與擴展大型數據庫方面，取得了巨大進步。在未來，將有大量的機器人將依賴其自身感官反饋，并應用程序域將超越之前的模型設置。因此，有必要對多個傳感器的依賴和傳感信息的融合提供魯棒性。特別是基于圖像信息的使用是值得期待的，且將在機器人技術中扮演重要角色。在新的映射方法上、促進捕獲新型對象、對象的分類和基于超越實例的識別和靈活的用戶界面設計上，視覺將起到至關重要的角色。

　　可靠的高保真傳感器

　　在過去十年中，微電子和封裝上的進展，已導致了一場感官系統革命。圖像傳感器已經超越廣播質量，以提供百萬像素的圖像。MEMS技術使得新一代慣性傳感器封裝成為可能，RFID使更高效地跟蹤包裹和人成為可能。由于加寬了操作域，我們將會需要新型的傳感器，以保證系統的穩健運行。這就需要魯棒控制的新方法，但更重要的是提供強大的數據傳感器，以適應顯著的動態變化和較差的域數據分辨率。硅制造的新方法和MEMS新一代傳感器，將成為未來機器人發展的關鍵方面。

　　新型機構與高性能執行器

　　在機械裝置、制動和依據函數使用的算法復雜性的發展之間，存在錯綜復雜的相互作用。一些算法問題的解決方案，可能會極大地促進智能機械設計。因此，機械設計和高性能驅動器的發展，很可能在其它基礎研究領域和線路圖所列功能中，取得突破性進展。重要的研究領域包括機械設計、開發符合合規性和可變性、高度靈巧的機械手、節能性、安全性、高性能驅動器、高效能動態步行者等等。

　　專家特別感興趣的是“智能”的機構設計。通過它們的設計，機構設計可以歸入一個只通過顯式控制來完成的函數。這樣的例子包括自我穩定機構，或是不需要顯式控制就可以實現形封閉的特殊的機械手。

　　學習和自適應

　　本章中描述的許多基礎研究領域，都獲益于學習和適應技術的進步和應用。服務機器人控制著復雜的環境，處在一種高維的狀態空間中。關于環境和機器人狀態的知識，實質上是不確定的。機器人的動作往往是隨機性的，其結果可以用分散性來描述。許多決定機器人動作結果的現象很難，甚至不可能建模。機器學習技術，提供了一個有前途的工具來解決上述困難。這些技術可以用于機器人任務或環境學習模型的建立、更深層次的傳感器和抽象任務的描述、仿真和強化學習、控制政策的學習、有控制架構的整合學習、多傳感器信息（例如視覺，觸覺）的概率推理方法和結構性時空陳述，可以加快機器人學習與適應技術的發展。

　　物理上的人機交互

　　普遍存在于工業機器人領域的安全壁壘已逐漸消除，機器人將更大程度與人類合作，執行任務和示范編程。作為這項工作的一部分，機器人將與用戶有直接的物理接觸。首先需要有安全方面的慎重考慮。此外，另一個需要考慮的因素是如何設計這些機器人的交互模式，使之能很自然地被用戶感知。這涵蓋了各個方面的交互，從機器人直接的物理運動，到通過最小慣量感知和流體控制的物理交互。另外，考慮設計和控制之間的相互作用，以優化其功能。

　　社交交互機器人

　　對于機器人與人交互，賦予系統與人交互的設施。這種交互，對于系統分配任務、新技能和任務的教學、聯合任務的執行等，都是必須的。當前社會交互模型包括手勢、語音/聲音、身體運動/姿態及物理位置。將技能和人類試圖解釋的現有和新的活動任務模型結合起來。在服務機器人領域，對社交互動都具有廣泛需求。