深度学习方法的智能机器人应用方向.pdfVIP

ELECTRONICSWORLD・探索与观察

深度学习方法的智能机器人应用方向

江苏大学赵杨杰封晓果

随着我国人工智能技术水平的提高，人们开始重视高新要提前依据程序进行设定，且只能实施重复工作，没有智

科技领域的创新发展。智能机器人作为新时代下各行研究人能判断和优先处理的能力；第二，再次研制的机器人在以

员关注的焦点，在持续探索与优化的过程中，不仅为智能化往基础上设计了自动处理和部分感知的功能；第三，现阶

领域发展提供了全新方向，而且加快了我国未来工业革新发段的智能机器人不仅拥有自我感知、判断及适应学习等能

展步伐。本文在了解当前只能机器人的内容和发展情况的基力，而且可以在不断完善中与其他行业结合发展。

础上，根据深度学习方法对其应用方向进行分析，并明确了

未来的领域发展趋势。3深度学习方法的智能机器人的具体应用

3.1位姿判断

1深度学习方法的应用研究目前针对智能机器人的研究方向主要集中在学习抓取工

最初“深度学习”这一理念来自于人工神经网络，属于作上，其中包含位姿判别、智能学习及活动规划、系统控制

实现机器学习的一种优秀技术。从本质上讲，通过构建包含多等。在特定的目标场景下，机器人在多模特征学习中可以

项隐层的机器学习架构模型，正确训练大量数据信息，能获取正确判断出最佳的抓取姿势，并且在时间延长的情况下依

更多具有意义的特殊信息，以此为样本分类与预测提供有效依旧可以保障抓取的准确率，不仅是当前我国研究关注的焦

据。这一过程也是运用深度学习模式来实现初期目标的一种方点，更是实际应用的主要方向。

式，将其与智能机器人研究工作融合到一起，不仅能拓展人们要想运用多模特征深度学习与融合的方式来处理位姿判

的视野范围，而且可以为实践应用提供更多机遇。由于深度断问题，需要从以下几步入手：第一，依据堆叠降噪自动编

学习需要人们了解样本数据的变化规律和应用层次，所以研码的方式构建深度网络模型；第二，结合体感传感器明确目

究智能机器人的专业工作者可以在学习时得到更多具有深意标和深度多模数据，同时引用融合的方式有效解决深层抽

的声音、图像及文字等数据信息。深度学习法的智能机器人象表达；第三，全面整合机器人与多模特征深度学习模型。

在应用中，能让机器人拥有与人类相近的分析能力，而且可这样不仅能更好完成位姿判断工作，而且可以根据不同形态

以提高整体设计性能，拓展应用范围，这也是现阶段国内外或方向选择正确的抓取姿势和位置。需要注意的是，在设计

研究关注的焦点方向。在二十世纪八十年代末期，人们开始过程中构建完善的深度网络模型能全面提高抓取和判断的准

运用人工神经网络的“反向传播算法”，在多个样本数据中掌确率。因此，在构建深度网络模型时，必须要先处理降噪问

握统计的规律，这样既能准确预测未知信息，又开启了“深度题，而后再对训练数据实施降噪编码。在具体应用时，要保

学习法”的智能机器人研究工作。障机器人在获取完整场景图的基础上，先分离目标，后获取

初始特征，只有这样才能提高抓取位置和姿势的有效性。为

2智能机器人的内容与发展了更好解决实践应用中的问题，研究人员提出将特定时间看

tnXt

一般来讲，最常应用的智能机器人是由多种复杂结构形作，机器人抓取目标是，假设特征序列为()，那么最终将

成的，且彼此之间相互联系