摘 要随着近年来的计算机硬件性能和功耗的突破，使得深度学习神经网络得到快速发展，速度更快，消耗资源也大大减少。神经网络对图像进行机器学习成为了当今人工智能机器人的重点研究方向，而卷积神经网络是最受欢迎的深度学习方式之一。卷积神经网络（CNN），包含可以进行卷积计算并可以进行深度学习，它通过前馈的方式对网络模型进行反复训练。其实早在上个世纪80至90年代，最早的卷积神经网络有时间延迟网络和LeNet-5，随着计算机设备性能的提升以及深度学习理论的完善，卷积神经网络才并被广泛应用到机器视觉当中。本篇论文旨在设计一款基于Caffe框架的图像识别辅助姿态控制系统，通过对图像识别在卷积神经网络中进行深度学习，辅助四足机器人完成姿态控制以及姿态矫正。该系统使用摄像头对四足机器人周围的环境以及障碍物采集图像信息，保存并传输至基于Caffe框架的卷积神经网络，四足机器人通过调整姿态并反复采集图像信息，以确认自身位置，以及周围环境，并且将调整姿态后采集的图像传输给卷积神经网络进行深度学习，反馈当前姿态信息和矫正信息，对机身进行辅助姿态调节。
目 录
第一章 绪论 1
1.1 研究背景及意义 1
1.2 卷积神经网络研究现状 1
1.3 四足机器人国内外研究现状 2
1.4 本文结构安排和主要研究内容 3
1.4.1 结构安排 3
1.4.2 主要研究内容 3
第二章 卷积神经网络 5
2.1 卷积神经网络的结构 5
2.1.1 卷积层 5
2.1.2 激活层 5
2.1.3 池化层 6
2.1.4 全连接层 7
2.2 卷积神经网络模型 8
2.2.1 LeNet5网络模型原理 8
2.2.2 LeNet5网络模型结构 9
第三章 Caffe框架运行环境搭建 14
3.1 Python3环境搭建 14
3.2 Caffe环境搭建 14
第四章 硬件平台搭建 17
4.1 UP Board开发平台 17
4.2 STM32嵌入式开发平台 18
4.3 舵机驱动
 *51今日免费论文网|www.jxszl.com +Q: *351916072* 
板 19
4.4 数字舵机 19
4.5 摄像头 20
第五章 四足机器人平台 21
5.1 四足机器人结构 21
5.2 四足机器人的步态控制 22
5.2.1 运动学建模 22
5.2.2 立足点计算 24
第六章 基于卷积神经网络的障碍物识别 26
6.1 障碍物特征描述 26
6.2 图像采集和数据准备 26
6.3 卷积神经网络配置 27
6.4 实验和分析 29
第七章 总结与展望 31
7.1 总结 31
7.2 展望 32
致谢 33
参考文献 34
附录一 参数文件 35
第一章 绪论
1.1 研究背景及意义
随着机器人的不断发展，在图像识别技术、运动控制技术等领域，都广泛与移动机器人结合在一起，形成新一代人工智能机器人控制系统，并以仿生机器人为主要载体。
真正具有人工智能的仿生机器人，是可以像人类一样对周围环境进行感知，对未知事物进行分析和判断，具有自己的思维和认知，而不是仅限于人类给机器强加的程序。通过各种传感器、大数据、机器学习、机器视觉，使机器人更加智能化。目前，人工智能式移动机器人在医疗、交通、货运、服务、工业众多领域得到广泛应用，是当前移动机器人技术的重点研究对象。
图像识别技术是人工智能部分的一个重点，为了使机器人可以像人一样通过视觉进行识别物体，科学家将机器人向类人化进行发展。通过将图像识别应用于计算机，使得计算机可以通过摄像头等传感器获取图像感知，并处理分析图像数据。而当今图像识别是移动机器人进入人工智能领域的一大关键，使移动机器人具有图像感知能力，是作为人工智能发展的重点之一。
而针对于移动机器人在复杂环境中姿态控制的局限性，人们把解决问题的关键放在了图像识别的深度学习上，研究以卷积神经网络来构建机器人图像识别辅助系统，是目前人工智能机器人的最佳解决方案之一。
本课题研究设计一款基于Caffe框架的图像识别辅助系统，将卷积神经网络搭载于移动机器人上，以四足机器人为研究对象，通过对四足机器人周围环境图像进行采集分析，利用卷积神经网络对障碍物进行深度学习，并反馈信息做出姿态控制调整。与传统计算机视觉算法相比，深度学习可以得到更精确的结果，并可以通过训练大量的数据，对所反映的图像识别结果做出更精确的特征表达。因此深度学习技术是机器人进行图像识别的主流方案，也是未来机器人朝智能化发展的重要方向[1]。
1.2 卷积神经网络研究现状
早在上个世纪, 一位心理学家McCulloch提建立了一个类似于人类大脑里神经元的一个模型，而这个模型是建立于当时的数学体系上。由于但是科学条件的限制，使得对神经元模型的研究仅仅停留在了数学模型上，无法进一步发展。直到上世纪60年代，Rosenblatt为了使得神经元更加智能化，为此添加了学习能力，通过对下一层进行连接和传输数据，构建出了感知器。由此神经网络开始正式成为一门热门的研究。到上世纪80年代，Rumelhart推出了继于单层感知器之后的多层感知器，可以进行对前一层进行反馈，从而对数据进行反复训练。并且在90年代时，在研究领域中出现了区别于之前的深层次神经元学习的神经网络。并且开始增加神经网络的层数，对数据进行多层次的学习。
在90年代末期,最初的LeNet5网络出现，类似于阶梯式的算法，将神经网络学习的方式进行改变，第一次完整的进行数据反向传输学习，使得数据不再是单单的个体，而是连接上下层的桥梁，通过卷积层将数据转换成具有学习特点的特征图，这将更有利于图像进行分析处理。LeNet5神经网络模型作为最初代的卷积神经网络，表现出了不俗的学习能力，使得人们对卷积神经网络开始进行进一步的研究[2]。
1.3 四足机器人国内外研究现状
在上世纪70年代，诞生了第一台真正的四足机器人。其具有稳定的结构和传动方式，但是由于驱动电路和电机的不成熟，使得该四足机器人无法进行复杂的可编程运动，只能按照特定的程序继续姿态控制。

原文链接：http://www.jxszl.com/dzxx/txgc/80192.html