我应该也算是机器人算法工程师了，我所在实验室就叫学习算法与系统实验室（LASA, Learning Algorithm and System Lab,
Learning Algorithms and Systems Laboratory (LASA)）。那些说没有这个职位的就不要闹了， robot software and algorithm engineer是一个很大的市场空缺。
简单的说， 最深的体验就是：You have to take someone's shit. (受虐，无处不在) 。你需要懂的东西很多，需要你一次次走出自己的舒适区域。
我只能以我的经历说一下：
2011年，我刚到实验室，实验室有个女博士后（postdoc）在做 抓取规划 （grasp planning），我老板让我一起做这个项目，我研究室也是做的这个，所以可以很快的上手。但是，为了用一个优化的算法（IPOPT），整个规划（planning）是用AMPL（
The AMPL Book）写的，Bell实验室出品，速度也是很好的，但是那个语法完全虐死人。我保证你们都没有用过，用过之后就不想再见到这货了。经过半年的努力，我也算是走通了整个MTALAB到AMPL+IPOPT的流程，然后程序要在CMU的一个服务器（server）上跑一个星期，得到了很多花样的炫酷的grasp（比如一个简单圆柱体大概得到3000+个不同grasp）。
然后呢，当然要把这些grasp在仿真里面显示出来。当时实验室在使用一款叫RobotToolKit（
GitHub - epfl-lasa/robot-toolkit: The robot simulator and interface of LASA）的自己开发的机器人仿真软件，没有说明文档，没有人有太多时间教你，关键是我当时连coding也是很渣的（当然现在也很烂。。。）。好不容易弄懂了整个逻辑，也会仿照着别人的东西写一些demo了。在simulation里面一跑，各种grasp不能实现，需要把物体摆在机器人工作空间某个非常合适的位置，恰好IK（逆运动学）可以找到合适的关节角。总之，3000个grasp，做了一下分类（简单clustering）， 最终挑选出还能看的也就下图20个。为了这20个grasp，我几乎花了两三个月的时间。但最终也算知道这个仿真软件的一些基本东西了，也知道所有research中你看到的仅仅是冰山一角。 走到这一步，聪明的人就停留在仿真了，仿真的世界真的很美好 。
这不是结束！
我当然不满足于虚拟的世界，接下来才是整个作为一个机器人算法工程师的受虐之路的开始： 算法实现 。所有的机器人算法都是要用实践来检验的，直观的将就是你要做一个demo，最好是在实际的机器人上。终于要上机器人玩了，当时还有点小激动，用的还是iCub，就是下图这货，看起来十分萌。
（题外话，整个四年，因为压力，可乐喝了估计有1000+多瓶了）
手上还有当时的视频，就不放了，简单的说一下。iCub是线驱动（cable driven），整个手臂的定位精度可能在2cm左右。整个手指关节定位精度，我只能说5度左右吧，实际上更差，每个手指末端大概能提供1N的力。实际中，绝大多数（90%以上）的grasp在机器人上都没有办法实现出来。机械臂到不了，手指又不准，手指力又不够，现实中的物体的摩擦，重力，材料等等特性又没有考虑。下图中看到的，基本上是我和那个postdoc花了几个星期得到的稍微看得过去的grasp，其中又有无数的hacking。 基本上一个做grasp的走完这一步，已经要怀疑人生了 。
在这个hacking的世界里，我折腾了大半年，看看下图的手指末端的海绵，还有程序中各种小的技巧，总算也可以用KUKA LWR加上Barrett hand做点简单的grasp了(
https://www. youtube.com/watch? v=wSzfmrfDx60)。
如果这就是结束，那生活也太美好了！整个PhD真正的大招是上图右下角的那个 触觉传感器 （tactile sensor） --Syntouch（
SynTouch, LLC）。这一个传感器报价8000刀，一个手上要用三个，显然是一个暴利行业。当时作为世界上最早使用的整个传感器的实验室，他们只提供了一个很简单的API，可以读取数据。数据的意义不知道，反正传感器及其敏感，你说话都可以引起数据的变化，我要做的就是从中提取对grasp有用的信息并且用到grasp里面去。但是什么是对grasp有用的呢？怎么用呢？每个人都以为自己知道，但实际上又没有几个人知道。这才是最最受虐的，你根本不知道你的目标在哪里。
于是乎，我在老板的领导下，一步步走到坑里，自己写算法（GP，GMM，SVM， NN，K-Means。。。。）标定了接触点的位置（精度0.3mm），接触力的大小（精度法向0.1N，切向0.3N），估计物体的重量，估计摩擦系数，估计物体动力学参数。。。
还些东西就是我上面说的辅助性工作，但是是机器人算法中不可缺少的。这一年把我虐到胃溃疡加胃出血，这也是做机器人算法的很多时候的陷阱，你感觉每天都很忙，但好像又什么都没有做出来。这就是雷总说的战术上的勤奋，掩盖了战略上的懒惰。
这时，一个日本教授（Kenji）来到我们实验室（2013年4月15号），一切都是命中注定的感觉。在几次讨论后，突然间发现这个教授的 控制算法 可以和我做的触觉传感，通过机器学习算法结合起来。然后就在2013年4月到2014年3月，灌水了几篇可以毕业的东西 (
https://www. youtube.com/watch? v=AIt75lkogqE https://www. youtube.com/watch? v=UsPwmrYszbU,
https://www. youtube.com/watch? v=Z-4YTHy1GaI).
到目前为止基本走了： 规划（planning+simulation）--> 实现（implementation）--> 传感 (perception)-->控制 (control) 。当然这里面每一步都是从很多论文的合作者那里学到了不少的东西，这也是一个机器人算法工程师的必备能力：快速学习。
这样一遍虐下来，你会发现到处都是问题，好像什么问题都没有被解决。然后就到时候回头看看了，是时候找出每一个环节的最短板了。
强烈建议对此感兴趣的可以读一下，亚马逊抓取挑战赛的赛后经验。
http:// arxiv.org/abs/1601.0548 4 https://www. robotics.tu-berlin.de/f ileadmin/fg170/Publikationen_pdf/apc_rbo_rss2016_final.pdf如果有人感兴趣，以后再写下后面的历程了（都是教训）。
如果你看到了这里，请接着看完下面的硬广告！
------------------------------------------------------------------------------------------------------------------------------
0. 硬广告一条
*** 本人已经决定全职回国创业，从事工业机器人的智能系统开发，一年内坐标武汉，未来坐标深圳与欧洲。目前资金（>2M $），人员配置都基本完整（海内外博士，硕士加上主要机器人厂商工程师），但是还是希望有志同道合的伙伴能够加入。如果你满足以下一条或者几条，欢迎勾搭：
（0）coding足够好，有实际经验最好；
（1）对机器人硬件，软件，算法等基础知识有足够了解；
（2）喜欢折腾各种硬件，包括传感器，机械结构设计等；
（3）熟悉机器学习及其算法实现；
（4）想做不一样的事情；
（5）其他你自己认为你可以的；
