机器人-组成结构-感知 - 决策 - 执行
目录
一、感知系统
内部传感器：
外部传感器：
二、智能决策系统
机器学习家族
1.1机器学习
2.1深度学习
2.2深度学习模型 (主要属于监督/强化学习范畴，但结构通用)：
3.1监督学习
3.2监督学习模型
4.1半监督学习
4.2无/半监督学习模型：
5.1无监督学习
5.2生成模型 (可属于监督/无监督)：
6.1强化学习
7.1其他学习
三、控制系统
（运控）①对应小脑和脊柱
一、感知系统
①对应人体的五官。由具有不同功能的各种传感器构成。
②负责将内部状态信息和环境信息从 “信号” 转变为机器人自身或者机器人之间能够理解和应用的数据和信息。
内部传感器：
①检测机器人本身状态，为机器人的运动控制提供本体的状态信息。如各个关节的位置，速度，加速度。
②并将所测的信息作为反馈信号送至运动控制器，形成闭环控制、
位置/角度传感器（编码器、电位器、旋转变压器）
速度传感器（测速发电机、编码器）
加速度传感器（加速度计）
力/力矩传感器（安装在关节或末端执行器）
电流/电压传感器（监测驱动器状态）
温度传感器
压力传感器（针对内部管路）
姿态传感器
电量传感器
扭矩传感器
...................
外部传感器：
①感知机器人所处的工作环境，状态等信息的。
②使机器人的动作适应外界情况的变化，达到更高层次的自动化，提高机器人的工作精度。
二、智能决策系统
①对应人的大脑
②根据感知信息进行智能决策
③芯片+（芯片）+（芯片）。。。。。
机器学习家族
1.1机器学习
①让机器自己从数据里“学”规律，而不是像传统编程那样，程序员把每一步规则都写死。
②类比：你给小孩看很多很多猫的照片（数据），同时告诉他“这是猫”。机器（小孩）自己从这些照片中总结出猫的共同特征（学习规律）。下次看到一张新照片（新数据），机器就能根据自己总结的特征预测这是不是猫（做出决策）。
③具身智能应用： 机器人通过传感器（摄像头、激光雷达、力传感器）收集环境数据，学习如何导航、抓取物体、与人交互。
2.1深度学习
①机器学习的一个强力分支，模仿人脑的神经网络结构（由很多“神经元”层组成）。它特别擅长处理海量、复杂、非结构化的数据（如图像、声音、文本）。
②特点：“深度”指的是网络有很多层（层数深），能自动从原始数据中提取越来越抽象、越来越有用的特征。
③浅层学习 (传统ML)： 你可能先手动告诉小孩要看耳朵形状、眼睛颜色等具体特征。
④深度学习： 你直接把原始像素图给深度神经网络。第一层神经元可能学会识别边缘；第二层学会组合边缘成简单形状（角、圆）；更高层学会组合形状成猫耳朵、猫脸等复杂特征；最后层判断是不是猫。整个过程是机器自动完成的，不需要人预先定义“耳朵”是什么。
⑤具身智能应用： 机器人视觉（识别物体、人脸、手势）、自然语言理解（听懂指令）、复杂运动控制（模仿学习、强化学习的基础）。
2.2深度学习模型 (主要属于监督/强化学习范畴，但结构通用)：
-
卷积神经网络：
-
干啥的： 专门为处理网格状数据（如图像、视频、某些传感器数据）设计的神经网络。核心是卷积层，能自动提取图像的局部特征（边缘、纹理、图案）。
-
解释： 想象一个“特征扫描器”在图像上滑动，检测特定的局部模式（如垂直线）。多个卷积层叠加，从底层特征（边缘）逐步组合出高层特征（车轮、人脸）。
-
机器人应用： 机器人视觉的基石！ 物体检测与识别（YOLO, SSD, Faster R-CNN）、语义分割（理解图像中每个像素属于什么物体/区域）、位姿估计、基于图像的导航。
-
-
循环神经网络 / 长短时记忆网络 / 门控循环单元：
-
干啥的： 专门处理序列数据（如语音、文本、时间序列传感器数据、机器人运动轨迹）。具有“记忆”能力，能考虑之前输入的信息对当前输出的影响。
-
解释： RNN 像一个有短期记忆的单元，但容易遗忘太久远的信息。LSTM 和 GRU 是更先进的变体，通过精巧的“门”结构（输入门、遗忘门、输出门）来更有效地学习长期依赖关系。
-
机器人应用： 自然语言理解（指令解析、对话）、语音识别、时间序列预测（预测物体运动轨迹）、机器人动作序列生成与控制、传感器时序数据融合与分析。
-
-
Transformer：
-
干啥的： 处理序列数据的革命性架构，核心是自注意力机制。能并行计算，高效捕捉序列中任意位置元素之间的依赖关系，不受距离限制。效果通常优于 RNN/LSTM。
-
解释： 模型在处理一个词（或一个时间点数据）时，能同时关注输入序列中所有其他词（点）对其的影响程度（权重），找到最相关的信息。
-
机器人应用： 最先进的自然语言理解与生成（如 ChatGPT 的基石）、多模态融合（结合图像、文本、语音信息）、高级决策规划（将状态、目标、历史编码为序列处理）、模仿学习。
-
3.1监督学习
①训练数据带有“标准答案” (标签)。就像老师教学生，每道题都告诉你正确答案是什么。
②类比：给小孩看标注好名字的动物图片集（猫图标“猫”，狗图标“狗”）。小孩学习图片特征和动物名字的对应（映射）关系。
③具身智能应用： 训练机器人识别特定物体（给带标签的物体图片数据集）、预测抓取成功率（给成功/失败标记的抓取尝试数据）。
3.2监督学习模型
-
线性回归：
-
干啥的： 预测一个连续数值。找一条直线/超平面来拟合数据点。
-
解释： 假设房价和面积、位置、房龄有线性关系。模型学习这些因素的权重（系数），然后根据新房的这些特征预测其价格。
-
机器人应用： 预测关节到达目标位置所需扭矩、预测电池剩余使用时间。
-
-
逻辑回归：
-
干啥的： 预测一个二分类概率（是/否， 成功/失败）。虽然名字有“回归”，但主要做分类。
-
解释： 输出一个0到1之间的概率值。比如预测一张图片是猫的概率。设定一个阈值（如0.5），大于阈值判为“是”。
-
机器人应用： 判断抓取是否成功（基于传感器数据）、障碍物检测（是障碍物/不是障碍物）。
-
-
决策树：
-
干啥的： 通过一系列“是/否”问题（基于特征阈值）对数据进行分类或回归。像一棵倒置的树。
-
解释： 判断一个动物是否是哺乳动物？问题1: 有毛发吗？(是 -> 哺乳动物； 否 -> 问题2: 下蛋吗？...)。最终走到一个叶子节点得到结果。
-
优点： 直观易懂（可解释性好）。
-
机器人应用： 简单的行为决策树、基于规则的任务规划（基础层）。
-
-
随机森林：
-
干啥的： 集成学习模型。构建很多棵不同的决策树，最终的分类结果是所有树投票决定，回归结果是所有树输出的平均。
-
解释： “三个臭皮匠顶个诸葛亮”。每棵树基于不同的数据子集和特征子集训练，降低了单棵决策树过拟合的风险，通常更鲁棒、更准确。
-
机器人应用： 传感器融合（融合摄像头、激光雷达等数据做分类/回归）、物体识别、可靠性要求较高的感知任务。
-
-
支持向量机：
-
干啥的： 主要用于分类（也可用于回归）。目标是找到一个最优的超平面（决策边界） 来最大化不同类别数据点之间的间隔。
-
解释： 想象在二维平面上有两堆点（两类）。SVM尝试找一条最宽的“马路”（间隔）把这两堆点分开，马路中间的分界线就是决策边界。对于非线性问题，可以用“核技巧”映射到高维空间再找超平面。
-
优点： 在高维空间有效，理论完备。
-
机器人应用： 手势识别、简单的物体分类、异常检测。
-
-
K近邻：
-
干啥的： 非常直观的分类或回归算法。对于一个新样本，看它在特征空间中最近的K个邻居（训练样本）是什么标签/值，然后取多数票（分类）或平均值（回归）。
-
解释： “物以类聚，人以群分”。新来一个人，看看他周围住的都是什么人，就大概知道他是什么人。
-
机器人应用： 简单的场景识别、基于相似度的快速匹配（如基于传感器读数的状态匹配）。
-
4.1半监督学习
①训练数据中只有一小部分有标签，大部分没标签。利用大量无标签数据来辅助提升有监督学习的性能。
②类比：给小孩看1000张动物图片，但只告诉其中100张是猫还是狗（有标签），剩下900张没标签。小孩不仅学习那100张有标签的，还尝试从900张无标签图片中找出相似性、结构或模式（比如发现有些图片特征很相似，可能属于同一类），从而更好地理解猫和狗的区别。
③具身智能应用： 机器人收集了大量传感器数据（图像、激光点云），但只有一小部分被人工标注了（比如哪些场景有障碍物）。利用半监督学习，可以更充分地利用海量未标注数据来提升感知模型（如场景分割、目标检测）的鲁棒性。
4.2无/半监督学习模型：
-
K-Means 聚类：
-
干啥的： 无监督聚类算法。将数据点划分为 K 个簇，使得同一簇内的点尽可能相似，不同簇的点尽可能不同。
-
解释： 随机选 K 个点作为初始中心点，把所有点分配给最近的中心点形成一个簇，然后重新计算每个簇的中心点（均值），重复直到中心点稳定。
-
机器人应用： 对传感器数据（如激光点云）进行场景分割（地面、墙壁、障碍物簇）、对收集到的用户交互数据进行分组分析、异常检测（不属于任何大簇的点可能是异常）。
-
-
主成分分析：
-
干啥的： 无监督降维算法。找到数据中方差最大的几个相互正交的方向（主成分），将高维数据投影到这些低维方向上，保留最主要的信息。
-
解释： 从多个角度看数据，PCA 找到最能“拉开”数据点（方差最大）的那几个视角，用这些视角来近似描述整个数据。
-
机器人应用： 压缩高维传感器数据（如图像特征）用于快速处理或通信、数据可视化（降到2D/3D）、去除噪声和冗余特征。
-
-
自编码器：
-
干啥的： 无监督/自监督神经网络。由编码器和解码器组成。编码器将输入压缩成低维“编码”（潜在表示），解码器从这个编码重建输入。目标是重建误差最小。
-
解释： 像学一种高效的“压缩-解压”技术。核心是中间那个低维的“编码”，它被迫学会了数据最重要的特征。
-
机器人应用： 学习传感器数据的有效低维表示（用于下游任务如控制）、异常检测（重建误差大的可能是异常）、降噪（训练时加入噪声，让模型学习重建干净数据）、半监督学习（用无标签数据预训练编码器）。
-
5.1无监督学习
①训练数据完全没有标签。机器自己探索数据中的内在结构、模式或分组。
②目标： 聚类（把相似数据分到一组）、降维（压缩数据，保留主要信息）、异常检测、关联规则挖掘。
③类比： 给小孩一大堆没名字的动物图片，让他自己把这些图片分成几堆（聚类）。小孩可能根据颜色、大小、有没有毛等特征来分堆。分完之后，你发现他分出了“猫堆”、“狗堆”、“鸟堆”。
④具身智能应用： 机器人探索新环境时，对传感器数据进行聚类以发现不同的区域类型；压缩高维传感器数据用于高效存储或传输；检测传感器异常读数。
5.2生成模型 (可属于监督/无监督)：
-
生成对抗网络：
-
干啥的： 包含一个生成器和一个判别器，两者对抗训练。生成器学习生成逼真的假数据，判别器学习区分真实数据和生成器生成的假数据。目标使判别器无法区分真假。
-
解释： “造假者” (生成器) 和“鉴宝专家” (判别器) 互相博弈学习。造假者技术越来越高，专家鉴别能力也越来越强。
-
机器人应用： 生成逼真的仿真环境数据用于训练（避免昂贵费时的真实世界数据收集）、数据增强（生成更多训练样本）、模仿学习、探索新行为。
-
6.1强化学习
①机器（智能体）在环境中通过试错来学习。它根据当前状态选择动作，环境给予奖励或惩罚反馈。目标是学习一个策略，使得长期累积奖励最大化。
②关键要素： 智能体(Agent), 环境(Environment), 状态(State), 动作(Action), 奖励(Reward), 策略(Policy)。
③类比： 训练小狗做动作。小狗做出一个动作（比如坐下），如果做对了就给零食（正奖励），做错了就不给或者轻微惩罚（负奖励或零奖励）。小狗的目标是学会一套行为（策略），能获得最多的零食。
④具身智能应用： 极其重要！ 机器人学习行走、跑步、抓取复杂物体、导航避障、人机协作等需要与环境持续交互的任务。是具身智能实现自主决策和适应能力的核心
7.1其他学习
①迁移学习： 把在一个任务/领域上学到的知识（模型参数），迁移应用到另一个相关的新任务/领域上。大幅减少新任务所需的数据量和训练时间。 (例：用在仿真环境训练好的导航模型，迁移到真实机器人上微调)。
②在线学习： 模型在部署后，随着新数据的不断到来，持续地、增量式地更新自己。适应环境变化。 (例：机器人在实际运行中，根据用户反馈持续优化对话模型)。
③元学习： “学会学习”。目标是让模型快速适应新任务，通常只需要少量样本。 (例：让机器人能快速学会操作一种从未见过的新工具)。
三、控制系统
（运控）
①对应小脑和脊柱
②大脑：负责感知 认知 决策 规划 通过深读学习和AI技术实现自主学习和智能决策。
③小脑：负责运动控制 运动规划，姿态控制，动态平衡， 通过实时感知机器人的状态和环境信息，小脑可以调整机器人的动作，使其行走，跳跃，。。。
④控制系统负责处理作业指令信息，内外环境信息，并依据预定的本体模型，环境模型，和控制程序做出决策，产生相应的控制信号，通过驱动器驱动执行机构的各个关节，按所需的顺序，确定的轨迹运动，完成特定的作业。