自Hinton等[1]以來，深度學(xué)習(xí)（DL）開始推動人工智能電子地磅控制器研究的高潮。首先提出來。此后，DL已廣泛應(yīng)用于復(fù)雜圖像識別，信號識別，汽車，紋理合成，軍事，監(jiān)視，自然語言處理等不同領(lǐng)域。深度體系結(jié)構(gòu)的主要焦點是解釋數(shù)據(jù)的統(tǒng)計變化，并自動發(fā)現(xiàn)從較低級別的要素到較高級別的概念的要素抽象。目的是學(xué)習(xí)由較低級別的要素組成的要素層次結(jié)構(gòu)，并將其轉(zhuǎn)換為較高級別的要素抽象。然后，研究開始分析用于機器人技術(shù)的DL網(wǎng)絡(luò)。對于機器人應(yīng)用，對象識別是一個非常關(guān)鍵的研究領(lǐng)域。 Nevita等人[2] 1977年介紹了對象識別過程。此后，研究人員針對不同類型的對象識別問題提出了不同類型的方法[3]-[7]。如今，DL在機器人對象識別的應(yīng)用中越來越受歡迎。許多研究人員致力于將DL [8]-[13]用于多種機器人任務(wù)。這些貢獻(xiàn)使機器人應(yīng)用程序在地磅遙控器工業(yè)應(yīng)用以及家務(wù)勞動中非常有用。

 

    但是，DL網(wǎng)絡(luò)的創(chuàng)建和培訓(xùn)需要大量的精力和計算量。 DL具有許多影響網(wǎng)絡(luò)性能的參數(shù)。最近，電子地磅控制器研究人員正在努力將進(jìn)化算法與DL集成在一起，以優(yōu)化網(wǎng)絡(luò)性能。 Young等人[14]解決了用于DL的多節(jié)點進(jìn)化神經(jīng)網(wǎng)絡(luò)，從而通過使用遺傳算法（GA）的超參數(shù)優(yōu)化在計算集群上實現(xiàn)網(wǎng)絡(luò)選擇的自動化。 Lamos-Sweeney [15]提出了使用遺傳算法的多層DL網(wǎng)絡(luò)。這種方法降低了計算復(fù)雜度，并提高了DL算法的整體靈活性。 Lander [16]實施了一種進(jìn)化技術(shù)，以便為每個自動編碼器找到最佳的抽象特征，并提高了DL的整體質(zhì)量和能力。邵等[17]通過使用多目標(biāo)遺傳編程來生成用于圖像分類的領(lǐng)域自適應(yīng)全局特征描述符，開發(fā)了一種進(jìn)化學(xué)習(xí)方法。本文提出了一種基于遺傳算法和深度信念神經(jīng)網(wǎng)絡(luò)（DBNN）的自主機器人目標(biāo)識別與抓取系統(tǒng)。遺傳算法用于優(yōu)化DBNN方法的參數(shù)，例如歷元數(shù)，隱藏單元數(shù)和隱藏層中的學(xué)習(xí)率，這些參數(shù)對網(wǎng)絡(luò)的結(jié)構(gòu)和DL網(wǎng)絡(luò)的性能有很大影響。優(yōu)化參數(shù)后，使用DBNN方法識別對象。然后，機器人生成從初始位置到物體抓握位置的軌跡，拾取物體并將其放置在地磅遙控器預(yù)定位置。

 

    本文的其余部分安排如下：DBNN方法在第2節(jié)中進(jìn)行了介紹； DBNN方法在第2節(jié)中進(jìn)行了介紹。第3節(jié)中提到了DBNN參數(shù)的演變； GA演化結(jié)果在第4節(jié)中介紹；第5節(jié)顯示了GA和DBNN在機器人上的實現(xiàn)。最后，在第6節(jié)中，我們對本文進(jìn)行了總結(jié)并給出了未來的地磅遙控器研發(fā)工作。