我應該也算是機器人演算法工程師了，我所在實驗室就叫學習演算法與系統實驗室（LASA, Learning Algorithm and System Lab,
Learning Algorithms and Systems Laboratory (LASA)）。那些說沒有這個職位的就不要鬧了， robot software and algorithm engineer是一個很大的市場空缺。
簡單的說， 最深的體驗就是：You have to take someone's shit. (受虐，無處不在) 。你需要懂的東西很多，需要你一次次走出自己的舒適區域。
我只能以我的經歷說一下：
2011年，我剛到實驗室，實驗室有個女博士後（postdoc）在做 抓取規劃 （grasp planning），我老板讓我一起做這個計畫，我研究室也是做的這個，所以可以很快的上手。但是，為了用一個最佳化的演算法（IPOPT），整個規劃（planning）是用AMPL（
The AMPL Book）寫的，Bell實驗室出品，速度也是很好的，但是那個語法完全虐死人。我保證你們都沒有用過，用過之後就不想再見到這貨了。經過半年的努力，我也算是走通了整個MTALAB到AMPL+IPOPT的流程，然後程式要在CMU的一個伺服器（server）上跑一個星期，得到了很多花樣的炫酷的grasp（比如一個簡單圓柱體大概得到3000+個不同grasp）。
然後呢，當然要把這些grasp在仿真裏面顯示出來。當時實驗室在使用一款叫RobotToolKit（
GitHub - epfl-lasa/robot-toolkit: The robot simulator and interface of LASA）的自己開發的機器人仿真軟體，沒有說明文件，沒有人有太多時間教你，關鍵是我當時連coding也是很渣的（當然現在也很爛。。。）。好不容易弄懂了整個邏輯，也會仿照著別人的東西寫一些demo了。在simulation裏面一跑，各種grasp不能實作，需要把物體擺在機器人工作空間某個非常合適的位置，恰好IK（逆運動學）可以找到合適的關節角。總之，3000個grasp，做了一下分類（簡單clustering）， 最終挑選出還能看的也就下圖20個。為了這20個grasp，我幾乎花了兩三個月的時間。但最終也算知道這個仿真軟體的一些基本東西了，也知道所有research中你看到的僅僅是冰山一角。 走到這一步，聰明的人就停留在仿真了，仿真的世界真的很美好 。
這不是結束！
我當然不滿足於虛擬的世界，接下來才是整個作為一個機器人演算法工程師的受虐之路的開始： 演算法實作 。所有的機器人演算法都是要用實踐來檢驗的，直觀的將就是你要做一個demo，最好是在實際的機器人上。終於要上機器人玩了，當時還有點小激動，用的還是iCub，就是下圖這貨，看起來十分萌。
（題外話，整個四年，因為壓力，可樂喝了估計有1000+多瓶了）
手上還有當時的視訊，就不放了，簡單的說一下。iCub是線驅動（cable driven），整個手臂的定位精度可能在2cm左右。整個手指關節定位精度，我只能說5度左右吧，實際上更差，每個手指末端大概能提供1N的力。實際中，絕大多數（90%以上）的grasp在機器人上都沒有辦法實作出來。機械臂到不了，手指又不準，手指力又不夠，現實中的物體的摩擦，重力，材料等等特性又沒有考慮。下圖中看到的，基本上是我和那個postdoc花了幾個星期得到的稍微看得過去的grasp，其中又有無數的hacking。 基本上一個做grasp的走完這一步，已經要懷疑人生了 。
在這個hacking的世界裏，我折騰了大半年，看看下圖的手指末端的海綿，還有程式中各種小的技巧，總算也可以用KUKA LWR加上Barrett hand做點簡單的grasp了(
https://www. youtube.com/watch? v=wSzfmrfDx60)。
如果這就是結束，那生活也太美好了！整個PhD真正的大招是上圖右下角的那個 觸覺傳感器 （tactile sensor） --Syntouch（
SynTouch, LLC）。這一個傳感器報價8000刀，一個手上要用三個，顯然是一個暴利行業。當時作為世界上最早使用的整個傳感器的實驗室，他們只提供了一個很簡單的API，可以讀取數據。數據的意義不知道，反正傳感器及其敏感，你說話都可以引起數據的變化，我要做的就是從中提取對grasp有用的資訊並且用到grasp裏面去。但是什麽是對grasp有用的呢？怎麽用呢？每個人都以為自己知道，但實際上又沒有幾個人知道。這才是最最受虐的，你根本不知道你的目標在哪裏。
於是乎，我在老板的領導下，一步步走到坑裏，自己寫演算法（GP，GMM，SVM， NN，K-Means。。。。）標定了接觸點的位置（精度0.3mm），接觸力的大小（精度法向0.1N，切向0.3N），估計物體的重量，估計摩擦系數，估計物體動力學參數。。。
還些東西就是我上面說的輔助性工作，但是是機器人演算法中不可缺少的。這一年把我虐到胃潰瘍加胃出血，這也是做機器人演算法的很多時候的陷阱，你感覺每天都很忙，但好像又什麽都沒有做出來。這就是雷總說的戰術上的勤奮，掩蓋了戰略上的懶惰。
這時，一個日本教授（Kenji）來到我們實驗室（2013年4月15號），一切都是命中註定的感覺。在幾次討論後，突然間發現這個教授的 控制演算法 可以和我做的觸覺傳感，透過機器學習演算法結合起來。然後就在2013年4月到2014年3月，灌水了幾篇可以畢業的東西 (
https://www. youtube.com/watch? v=AIt75lkogqE https://www. youtube.com/watch? v=UsPwmrYszbU,
https://www. youtube.com/watch? v=Z-4YTHy1GaI).
到目前為止基本走了： 規劃（planning+simulation）--> 實作（implementation）--> 傳感 (perception)-->控制 (control) 。當然這裏面每一步都是從很多論文的合作者那裏學到了不少的東西，這也是一個機器人演算法工程師的必備能力：快速學習。
這樣一遍虐下來，你會發現到處都是問題，好像什麽問題都沒有被解決。然後就到時候回頭看看了，是時候找出每一個環節的最短板了。
強烈建議對此感興趣的可以讀一下，亞馬遜抓取挑戰賽的賽後經驗。
http:// arxiv.org/abs/1601.0548 4 https://www. robotics.tu-berlin.de/f ileadmin/fg170/Publikationen_pdf/apc_rbo_rss2016_final.pdf如果有人感興趣，以後再寫下後面的歷程了（都是教訓）。
如果你看到了這裏，請接著看完下面的硬廣告！
------------------------------------------------------------------------------------------------------------------------------
0. 硬廣告一條
*** 本人已經決定全職回國創業，從事工業機器人的智慧系統開發，一年內座標武漢，未來座標深圳與歐洲。目前資金（>2M $），人員配置都基本完整（海內外博士，碩士加上主要機器人廠商工程師），但是還是希望有誌同道合的夥伴能夠加入。如果你滿足以下一條或者幾條，歡迎勾搭：
（0）coding足夠好，有實際經驗最好；
（1）對機器人硬體，軟體，演算法等基礎知識有足夠了解；
（2）喜歡折騰各種硬體，包括傳感器，機械結構設計等；
（3）熟悉機器學習及其演算法實作；
（4）想做不一樣的事情；
（5）其他你自己認為你可以的；
