自Hinton等[1]以來，深度學習（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已廣泛應用于復雜圖像識別，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域。深度體系結構的主要焦點是解釋數據的統(tǒng)計變化，并自動發(fā)現從較低級別的要素到較高級別的概念的要素抽象。目的是學習由較低級別的要素組成的要素層次結構，并將其轉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的DL網絡。對于機器人應用，對象識別是一個非常關鍵的研究領域。 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。這些貢獻使機器人應用程序在地磅遙控器工業(yè)應用以及家務勞動中非常有用。

 

    但是，DL網絡的創(chuàng)建和培訓需要大量的精力和計算量。 DL具有許多影響網絡性能的參數。最近，電子地磅控制器研究人員正在努力將進化算法與DL集成在一起，以優(yōu)化網絡性能。 Young等人[14]解決了用于DL的多節(jié)點進化神經網絡，從而通過使用遺傳算法（GA）的超參數優(yōu)化在計算集群上實現網絡選擇的自動化。 Lamos-Sweeney [15]提出了使用遺傳算法的多層DL網絡。這種方法降低了計算復雜度，并提高了DL算法的整體靈活性。 Lander [16]實施了一種進化技術，以便為每個自動編碼器找到最佳的抽象特征，并提高了DL的整體質量和能力。邵等[17]通過使用多目標遺傳編程來生成用于圖像分類的領域自適應全局特征描述符，開發(fā)了一種進化學習方法。本文提出了一種基于遺傳算法和深度信念神經網絡（DBNN）的自主機器人目標識別與抓取系統(tǒng)。遺傳算法用于優(yōu)化DBNN方法的參數，例如歷元數，隱藏單元數和隱藏層中的學習率，這些參數對網絡的結構和DL網絡的性能有很大影響。優(yōu)化參數后，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定位置。

 

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