智造基石——人工智能機器人系統與應用

朱姍姍：北京工業職業技術學院工業機器人專業副教授，中國國家博物館訪問學者。長期從事工業機器人與人工智能交叉領域研究，在中國國家博物館訪學期間，參與開發文物圖像識別系統，實現數萬件考古器物的自動分類與智能分析;在文物圖像識別、機器學習、數據標註與質量控制等方向有系統深入的研究積累。榮獲全國職業院校教學能力大賽一等獎、全國職業院校信息化教學大賽一等獎、機械行業職業院校教育教學創新及創業大賽全國一等獎，獲評全國“優秀指導教師”稱號。 韋然：博士，現任民政職業大學副教授，長期從事電子信息技術、數據處理與人工智能應用領域的教學與科研工作。主持及參與國家級、省部級及校企合作項目二十余項，發表學術論文十余篇，獲授權知識產權十余項。 王博：北京大學博士，中國科學院自動化研究所副研究員、碩導，低空認知計算團隊負責人，2025年國家網信創新人才，中國圖像圖形學會生物特征識別專委會委員。長期深耕計算機視覺分析、多模態語義理解等領域研究，主持科技部重點研發、國家自然科學基金等項目8項，發表TPAMI、TIP、CVPR、ICCV等期刊及會議論文13篇，獲得發明專利授權11項。

目錄

第1章緒論 / 1

1.1 人工智能與機器人的發展和特征 / 3

1.2 人工智能與機器人技術體系 / 6

1.3 國內外人工智能與機器人技術的應用發展趨勢 / 10

第2章人工智能與機器人關鍵技術 / 21

2.1 人工智能核心技術 / 22

2.1.1 機器學習 / 23

2.1.2 自然語言處理 / 25

2.1.3 計算機視覺 / 26

2.2 機器人核心技術 / 27

2.2.1 傳感器技術 / 27

2.2.2 運動控制與執行器 / 29

2.2.3 路徑規劃與導航 / 30

2.3 人工智能與機器人融合的關鍵技術 / 30

2.3.1 端到端學習 / 30

2.3.2 仿真與數字孿生 / 32

2.3.3 人機交互 / 33

2.3.4 邊緣計算與嵌入式AI / 33

2.3.5 實踐項目設計 / 34

第3章深度學習 / 37

3.1 從機器學習到深度學習的演進 / 38

3.1.1 機器學習的基礎範式與局限 / 39

3.1.2 深度學習的突破性變革 / 39

3.1.3 機器人領域的實踐驗證 / 39

3.2 人工神經網絡的結構與原理 / 40

3.2.1 基礎單元：感知機的原理與局限 / 41

3.2.2 網絡結構：層級分工與信息傳遞 / 41

3.2.3 層級遞進的特征學習：從具體到抽象 / 41

3.3 神經網絡的訓練方法 / 42

3.3.1 設定目標：損失函數的“射擊打靶”機制 / 42

3.3.2 梯度下降法：尋找損失函數最低點的路徑 / 43

3.3.3 反向傳播算法 / 43

3.3.4 訓練挑戰與應對策略 / 44

3.4 深度學習框架實踐應用 / 44

3.4.1 TensorFlow框架的特點和應用 / 44

3.4.2 PyTorch框架的特點 / 45

3.4.3 其他主流框架介紹 / 45

第4章計算機視覺——讓機器“看見” / 48

4.1 計算機如何“理解”一張圖片？——從像素到特征 / 50

4.1.1 圖像的數字表示：像素矩陣與顏色模型 / 50

4.1.2 傳統特征提取：從人工設計到場景局限 / 50

4.1.3 深度學習的突破：自動特征學習與性能躍升 / 50

4.2 卷積神經網絡：圖像識別的基石 / 51

4.2.1 卷積層：特征提取的核心機制 / 51

4.2.2 卷積計算的數學原理 / 51

4.2.3 激活函數層 / 52

4.2.4 池化層 / 52

4.2.5 激活函數 / 52

4.2.6 全連接層與經典CNN架構 / 53

4.3 計算機視覺的經典應用 / 54

4.3.1 圖像分類：機器識別物體的基礎能力 / 54

4.3.2 目標檢測：定位與識別的結合 / 55

4.3.3 人臉識別：身份認證的核心技術 / 55

第5章智能控制方法 / 59

5.1 模糊控制 / 60

5.1.1 核心原理：從模糊描述到數學表達 / 60

5.1.2 關鍵技術環節 / 60

5.1.3 應用案例：移動機器人的模糊避障控制 / 61

5.2 神經網絡控制 / 61

5.2.1 核心原理與結構設計 / 61

5.2.2 關鍵技術實現 / 62

5.2.3 應用案例：機械臂軌跡跟蹤系統 / 62

5.2.4 實踐練習：柔性機械臂的神經網絡振動抑制 / 63

5.3 強化學習控制 / 64

5.3.1 核心原理：馬爾可夫決策過程框架 / 65

5.3.2 主要算法分類 / 65

5.3.3 應用案例：四足機器人步態控制 / 65

5.4 疊代學習控制 / 66

5.4.1 核心原理 / 66

5.4.2 關鍵技術環節 / 67

5.4.3 應用實例 / 68

5.5 模型預測控制 / 68

5.5.1 核心原理 / 69

5.5.2 關鍵技術環節 / 69

5.5.3 應用案例 / 69

5.6 混合智能控制 / 70

5.6.1 核心原理與融合模式 / 70

5.6.2 常見的混合智能控制架構 / 71

5.6.3 綜合應用案例：智能倉儲AGV的混合控制系統 / 72

第6章人工智能機器人控制系統 / 75

6.1 人工智能機器人控制系統的體系架構 / 77

6.1.1 控制系統的總體架構設計 / 77

6.1.2 硬件架構 / 78

6.1.3 軟件架構 / 78

6.1.4 典型控制系統架構案例分析 / 79

6.2 人工智能機器人控制系統的調度控制 / 81

6.2.1 調度控制的基本原理和算法 / 81

6.2.2 任務分解與分配策略 / 82

6.2.3 資源管理與優化 / 83

6.2.4 實時調度與優先級管理 / 84

6.3 控制系統的管理與應用 / 84

6.3.1 控制系統的生命周期管理 / 84

6.3.2 系統集成與接口技術 / 85

6.3.3 行業應用案例分析 / 86

第7章智能體與工作流 / 89

7.1 智能體基礎概念 / 90

7.1.1 智能體的定義與特征 / 90

7.1.2 智能體的分類體系 / 91

7.1.3 典型應用場景 / 92

7.2 智能體架構與建模 / 93

7.2.1 智能體內部架構 / 93

7.2.2 智能體通信機制 / 95

7.2.3 多智能體系統（MAS）建模 / 96

7.3 工作流基礎理論 / 97

7.3.1 工作流定義與核心要素 / 97

7.3.2 工作流管理系統（WFMS）架構 / 98

7.3.3 智能體工作流設計模式 / 98

7.4 智能體驅動的工作流實現 / 99

7.4.1 智能體與工作流的耦合方式 / 99

7.4.2 動態工作流適應機制 / 100

7.4.3 分布式工作流執行引擎 / 101

7.5 典型應用系統開發實踐 / 101

7.5.1 智能制造車間調度系統 / 101

7.5.2 醫療輔助診斷系統 / 103

第8章具身智能：邁向物理世界的AI / 105

8.1 從離身智能到具身智能 / 107

8.1.1 傳統人工智能的局限 / 107

8.1.2 具身智能的內涵與特征 / 108

8.2 具身智能的核心要素 / 109

8.2.1 身體與形態 / 109

8.2.2 “感知—行動”閉環 / 110

8.2.3 工業機械臂裝配閉環控制案例 / 111

8.3 具身智能的感知與表示 / 112

8.3.1 多模態感知融合 / 112

8.3.2 環境表示與空間認知 / 113

8.3.3 自監督與交互式學習 / 113

8.4 具身決策與控制 / 115

8.4.1 基於模型的決策 / 115

8.4.2 分層控制架構 / 116

8.5 具身智能系統的架構與實現 / 117

8.5.1 典型具身智能系統框架 / 117

8.5.2 實時性要求與資源約束 / 118

8.6 應用案例 / 119

8.6.1 具身抓取與操作 / 119

8.6.2 具身導航與探索 / 120