自主機器人

自主機器人是其本體自帶各種必要的傳感器、控制器，在運行過程中無外界人為信息輸入和控制的條件下，可以獨立完成一定的任務的機器人。

隨着國內生活水平的不斷提高，原本一直在歐美市場銷售的掃地機器人走入平常百姓家，並被越來越多的人所接受，掃地機器人將在不久的將來像白色家電一樣成為每個家庭必不可少的清潔幫手。產品也會由現在的初級智能向着更高程度的智能化程度發展，逐步的取代人工清潔。

1.視覺系統：負責感知球場上的態勢，視覺系統獲得球場上的實時圖像，對圖像進行顏色分割，識別出球場上的各個目標，然後進行距離校正，將結果發給決策程序。

2.決策系統：接收視覺系統的辨識結果，對球場態勢進行分析，然後做出合理決策，將命令發送給底層控制系統。

3.底層控制系統：通過串口接收上位機的命令，控制各輪走行電機按照指定速度運行，控制彈射和持球電機，將底層傳感器的數據通過串口發送給上位機 。

4.通信系統：通過無線網絡聯繫場內機器人和場外計算機，進行遙控測試，參數設置等操作以及控制比賽的開始和終止。 ^[1] 

中型機器人；

仿人機器人；

智能汽車；

舞蹈機器人；

營救機器人；

家庭機器人；

為自主機器人進行編程是一項非常困難的工作，主要表現在以下幾個方面：

絕大多數的基於行為的實現方法都是對不同的任務進行手工編程的， 這需要編程人員能充分地考慮到各種可能出現的情況，對機器人與環境之間的交互有充分的理解， 雖然有些設計出的系統對於很多任務和環境而言性能都是魯棒的,但系統對環境並不具有適應性。

人不能窮盡一切可能。機器人能否通過學習獲得不能由程序員手工編碼進去的知識，比如構建一個未知環境的地圖，在任何環境的性質隨時間變化的任務中都是必要的。

當機器人元件老化後，機器人的傳感器和執行機構的性質是可能會發生改變的。

機器人在多機器人的環境中執行,由於需要對其他機器人作出反應,它的策略是需要改變的。學習方法在這些情況下都能發揮重要的作用。用學習方法為機器人進行編程，而無須告訴它怎樣達到它的目標，只要告訴它目標是什麼，讓它通過學習去滿足這個目標，無疑，這種方法具有很大的吸引力。它是提高機器人的適應性，降低編程人員編程強度的必由之路。

機器人有不同層次的行為，它們由不同層次的信息表達所決定,因此就存在着不同類型的學習。Broo ks和Mataric總結出了以下類型的學習：

為傳感設備標定或則參數調節進行學習。這種類型的學習只在一個特定行為結構中優化操作參數。

學習真實世界的知識。 這種類型的學習構建與修改機器人對於真實世界的內部表達，以利於機器人作出行為規劃和決策等高層的智能行為。

學習已有行為的協調。這種類型的學習中通過協調已經存在的行為被觸發和被執行的順序來改變它們對世界的作用。

學習新的行為。這種類型的學習建立新的行為結構。

機器人領域對任何學習算法而言都是一個挑戰。在構建擁有學習能力,能自動進行知識獲取的自主機器人的過程中必須面對許多煩瑣的有關真實世界的問題。 Cnnell和Mahadev an歸納出了以下一些問題，涉及到機器人的設備,實驗環境和學習任務等多個方面：

傳感器噪聲。 大多數機器人的傳感器是不可靠的。 於是由傳感器信號得到的狀態描述註定是不精確的。學習算法必須能夠處理噪聲,因此經常需要用統計平滑技術克服噪音的影響。

算法的易駕馭性。機器人必須對不可預見的環境進行實時響應。 因此學習算法必須不能過於複雜,算法的每一次迭代都必須能實時地完成。

增量式的算法。 學習算法必須允許機器人邊學習邊改善自己的性能。 因為機器人必須一邊收集經驗一邊進行學習. 形成經驗的數據不能離線獲得。

有限的訓練時間。機器人的訓練時間是非常有限的。學習算法必須在合理的運算次數中收斂，因為機器人需要完成任務，在真實的機器人上進行上百萬次的動作是極為困難的。

堅實的信息來源。 所有機器人可以獲得的信息都必須最終來至從它的傳感器抽取得到的信息或初始狀態時強行編碼進去的知識。由於狀態信息是由傳感器數據計算得到的，學習算法必須能和感知設備的限制一起工作.明顯地,能否解決以上提出的一些問題決定了用在真實機器人上的學習算法的成功與否 ^[2]  。

在機器人研究領域中有三種主要的學習方法變得越來越流行。它們是強化學習( RL) ，進化方法( GA和EP)和基於人工神經網絡( ANN )的方法。其中應用得最為廣泛的方法是強化學習方法.在學習新的行為和學習協調已經存在的行為兩種情況下都可以用到強化學習的方法。 強化方法是一種無監督的學習算法，它比較好地符合人們解決問題的心理習慣,，和傳統人工智能以及優化算法聯繫緊密， 有普遍適的用性， 因此獲得了最廣泛的關注。