写毕业论文，不是件容易事情，想过关，得花费一番心血。
今年多所高校都发布通知要求严查本科生论文，部分学校还将对已毕业学生的毕业论文开展质量跟踪监控。即便学校没有明文规定，许多同学也能从导师的叮嘱和要求中感受到，想成功毕业，大概得挠秃两百根头发。
毕业论文，名义上是大学生完成大学学业的标志和成果，实际上却是一批批年轻人彻底脱离学校、进入社会前必须要渡的劫。一般本科毕业论文字数上要求最少5000字。这5000字可不是随随便便就写的，从选题、结构、格式、内容都是有一定要求的，需要和指导老师进行反复的沟通和确认。
大部分同学从写论文到最后定稿基本上要花费半年的时间，可见毕业论文并不是一件简单的事情。
人工智能与机器人研究这本期刊的领域有这些：智能机器人、模式识别与智能系统、虚拟现实技术与应用、系统仿真技术与应用、工业过程建模与智能控制、智能计算与机器博弈、人工智能理论、语音识别与合成、机器翻译、图像处理与计算机视觉、计算机感知、计算机神经网络、知识发现与机器学习、建筑智能化技术与应用、人智能其他学科人工智能与机器人研究这本期刊的领域，你可以参考下：智能机器人、模式识别与智能系统、虚拟现实技术与应用、系统仿真技术与应用、工业过程建模与智能控制、智能计算与机器博弈、人工智能理论、语音识别与合成、机器翻译、图像处理与计算机视觉、计算机感知、计算机神经网络、知识发现与机器学习、建筑智能化技术与应用、人智能其他学科 具体那个好写就看你自己的专业知识了，你擅长哪方面的就写哪方面的吧
你哪一个熟悉就写哪方面的，如果都不熟悉，我建议写图像处理方面的。因为直观，可以写的也比较多，比如车牌识别、人脸识别、指纹识别、目标检测与跟踪。
图像处理方面比较好写
提供几个题目思路： 1、图像处理对图像色彩的影响
2、东西方文化的差异对图像处理的影响
3、图像处理能否弥补拍摄机器硬件的不足
4、图像处理对摄影发展的影响
5、图像处理对当今社会的影响
记得是写论文，我觉得还是比较好写，你也可以查找相关的资料
如何从图像中解析出可供计算机理解的信息，是机器视觉的中心问题。深度学习模型由于其强大的表示能力，加之数据量的积累和计算力的进步，成为机器视觉的热点研究方向。 那么，如何理解一张图片？根据后续任务的需要，有三个主要的层次。 一是分类（Classification），即是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。其中，ImageNet是最权威的评测集，每年的ILSVRC催生了大量的优秀深度网络结构，为其他任务提供了基础。在应用领域，人脸、场景的识别等都可以归为分类任务。 二是检测（Detection）。分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。 三是分割（Segmentation）。分割包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。 两阶段模型因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，我们选取R-CNN系列工作作为这一类型的代表。 本文的两大贡献：1）CNN可用于基于区域的定位和分割物体；2）监督训练样本数紧缺时，在额外的数据上预训练的模型经过fine-tuning可以取得很好的效果。第一个贡献影响了之后几乎所有2-stage方法，而第二个贡献中用分类任务（Imagenet）中训练好的模型作为基网络，在检测问题上fine-tuning的做法也在之后的工作中一直沿用。 传统的计算机视觉方法常用精心设计的手工特征(如SIFT, HOG)描述图像，而深度学习的方法则倡导习得特征，从图像分类任务的经验来看，CNN网络自动习得的特征取得的效果已经超出了手工设计的特征。本篇在局部区域应用卷积网络，以发挥卷积网络学习高质量特征的能力。 R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络（AlexNet），得到每个区域内物体的类别。 另外，文章中的两个做法值得注意。 一是数据的准备。输入CNN前，我们需要根据Ground Truth对提出的Region Proposal进行标记，这里使用的指标是IoU（Intersection over Union，交并比）。IoU计算了两个区域之交的面积跟它们之并的比，描述了两个区域的重合程度。 文章中特别提到，IoU阈值的选择对结果影响显著，这里要谈两个threshold，一个用来识别正样本（如跟ground truth的IoU大于），另一个用来标记负样本（即背景类，如IoU小于），而介于两者之间的则为难例（Hard Negatives），若标为正类，则包含了过多的背景信息，反之又包含了要检测物体的特征，因而这些Proposal便被忽略掉。 另一点是位置坐标的回归（Bounding-Box Regression），这一过程是Region Proposal向Ground Truth调整，实现时加入了log/exp变换来使损失保持在合理的量级上，可以看做一种标准化（Normalization)操作。 R-CNN的想法直接明了，即将检测任务转化为区域上的分类任务，是深度学习方法在检测任务上的试水。模型本身存在的问题也很多，如需要训练三个不同的模型（proposal, classification, regression）、重复计算过多导致的性能问题等。尽管如此，这篇论文的很多做法仍然广泛地影响着检测任务上的深度模型革命，后续的很多工作也都是针对改进这一工作而展开，此篇可以称得上"The First Paper"。 文章指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。 上图是Fast R-CNN的架构。图片经过feature extractor得到feature map, 同时在原图上运行Selective Search算法并将RoI（Region of Interset，实为坐标组，可与Region Proposal混用）映射到到feature map上，再对每个RoI进行RoI Pooling操作便得到等长的feature vector，将这些得到的feature vector进行正负样本的整理（保持一定的正负样本比例），分batch传入并行的R-CNN子网络，同时进行分类和回归，并将两者的损失统一起来。 文章最后的讨论也有一定的借鉴意义： Fast R-CNN的这一结构正是检测任务主流2-stage方法所采用的元结构的雏形。文章将Proposal, Feature Extractor, Object Classification&Localization统一在一个整体的结构中，并通过共享卷积计算提高特征利用效率，是最有贡献的地方。 Faster R-CNN是2-stage方法的奠基性工作，提出的RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。粗略的讲，Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU上以5fps的速度运行，而在精度方面达到SOTA（State of the Art，当前最佳）。 本文的主要贡献是提出Regional Proposal Networks，替代之前的SS算法。RPN网络将Proposal这一任务建模为二分类（是否为物体）的问题。 第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box（如上图右边部分），取定IoU的阈值，按Ground Truth标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。 由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。 Faster R-CNN的成功之处在于用RPN网络完成了检测任务的"深度化"。使用滑动窗口生成anchor box的思想也在后来的工作中越来越多地被采用（YOLO v2等）。这项工作奠定了"RPN+RCNN"的两阶段方法元结构，影响了大部分后续工作。 单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。 YOLO是单阶段方法的开山之作。它将检测任务表述成一个统一的、端到端的回归问题，并且以只处理一次图片同时得到位置和分类而得名。 YOLO的主要优点： 1.准备数据：将图片缩放，划分为等分的网格，每个网格按跟Ground Truth的IoU分配到所要预测的样本。 2.卷积网络：由GoogLeNet更改而来，每个网格对每个类别预测一个条件概率值，并在网格基础上生成B个box，每个box预测五个回归值，四个表征位置，第五个表征这个box含有物体（注意不是某一类物体）的概率和位置的准确程度（由IoU表示）。测试时，分数如下计算： 等式左边第一项由网格预测，后两项由每个box预测，以条件概率的方式得到每个box含有不同类别物体的分数。 因而，卷积网络共输出的预测值个数为S×S×(B×5+C)，其中S为网格数，B为每个网格生成box个数，C为类别数。 3.后处理：使用NMS（Non-Maximum Suppression，非极大抑制）过滤得到最后的预测框 损失函数被分为三部分：坐标误差、物体误差、类别误差。为了平衡类别不均衡和大小物体等带来的影响，损失函数中添加了权重并将长宽取根号。 YOLO提出了单阶段的新思路，相比两阶段方法，其速度优势明显，实时的特性令人印象深刻。但YOLO本身也存在一些问题，如划分网格较为粗糙，每个网格生成的box个数等限制了对小尺度物体和相近物体的检测。 SSD相比YOLO有以下突出的特点： SSD是单阶段模型早期的集大成者，达到跟接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速度。后续的单阶段模型工作大多基于SSD改进展开。 最后，我们对检测模型的基本特征做一个简单的归纳。 检测模型整体上由基础网络（Backbone Network）和检测头部（Detection Head）构成。前者作为特征提取器，给出图像不同大小、不同抽象层次的表示；后者则依据这些表示和监督信息学习类别和位置关联。检测头部负责的类别预测和位置回归两个任务常常是并行进行的，构成多任务的损失进行联合训练。 另一方面，单阶段模型只有一次类别预测和位置回归，卷积运算的共享程度更高，拥有更快的速度和更小的内存占用。读者将会在接下来的文章中看到，两种类型的模型也在互相吸收彼此的优点，这也使得两者的界限更为模糊。
找你导师沟通，让他帮你推荐几篇跟课题相关的论文和几本专业书籍。这种只给学生一个题目而不做任何指导的导师，在中国高校有一大堆。不能指导学生怎么能被称作导师呢？这群滥竽充数者实际上是应该剔除出导师队伍的。误人子弟！当前你这种迷茫不是你的问题。问题是你先要知道想做什么，也就是先找到你要着手解决的问题。然后针对这个问题看看别人是怎么做的，别人在做的过程中出现了什么问题。研究别人怎么做的过程中，你可以照猫画虎把别人的方法实现一遍，练练手。在动手的过程中，你会逐渐发现不少细节性问题。有些地方是你可以改进或者创新的。把能改进的做了改进，能创新的做了创新。有了文章发表，你的研究生生涯基本也就结束了。如果没有根据要解决的课题作为导向，胡子眉毛一把抓。凡是计算机视觉和机器视觉的相关的资料都去看，到头来也没有找出要解决的问题。这样下去，在研究方向上很难有进展。至少是你做起来会很慢。该看不该看的都看了，该学不该学的都学了，具体能不能用来解决你要面对的问题，答案却还是不知道。总之，一句话以你要解决的问题为导向来入手。用啥学啥就好！能解决问题就行！研究生阶段不过是导师带你科研入门的一种训练而已。如果连入门都带不了，这样的导师是没有最起码的科研素质的。也就是说你导师没有受过科研训练，他不知道该怎么搞科研。建议尽快换导师为好！越快越好，省得浪费你的青春岁月。
这样的主题论文还是比较好写的，首先必须要抓住论文的中心，确立文章的思想内涵，然后分几个不同的角度进行有效的论证。
这个要你有看有没有相关的研究了，对这方面是否有些了解，如果有了解的话就还是比较好。
以下是几个顶级会议的列表（不完整的，但基本覆盖）(1)机器学习顶级会议：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）计算机视觉和图像识别：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）人工智能：IJCAI, AAAI; （期刊AI）另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。特别是，如果做机器学习，必须地，把近4年的NIPS, ICML翻几遍；如果做计算机视觉，要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。(2)另外补充一下：大部分顶级会议的论文都能从网上免费下载到。(3)说些自己的感受。对计算机视觉和计算神经科学领域，从方法和模型的角度看，统计模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影响力的方法。有个非常明显的趋势：重要的方法和模型最先在NIPS或ICML出现，然后应用到CV,IR和MM。虽然具体问题和应用也很重要，但多关注和结合这些方法也很有意义。
标定好的真实数据
ICCV论文是计算机视觉领域最高级别的会议论文。
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
CVPR录用标准
CVPR有着较为严苛的录用标准，会议整体的录取率通常不超过30%，而口头报告的论文比例更是不高于5%。而会议的组织方是一个循环的志愿群体，通常在某次会议召开的三年之前通过遴选产生。CVPR的审稿一般是双盲的，也就是说会议的审稿与投稿方均不知道对方的信息。
通常某一篇论文需要由三位审稿者进行审读。最后再由会议的领域主席（area chair)决定论文是否可被接收。
我知道 工搜网上有类似的，资料，应该是在资料文库频道 的 机器视觉标签，国外关于机器视觉的期刊 其实挺少的，感觉这个站上的资料，还行，免费请求，可以找找看
《视觉系统设计》（Vision Systems Design China）
机器人控制技术论文篇二 智能控制在机器人技术中的应用 摘要：机器人的智能从无到有、从低级到高级，随着科学技术的进步而不断深人发展。计算机技术、 网络技术 、人工智能、新材料和MEMS技术的发展，智能化、网络化、微型化发展趋势凸显出来。本文主要探讨智能控制在机器人技术中的应用。 关键词：智能控制 机器人 技术 1、引言 工业机器人是一个复杂的非线性、强耦合、多变量的动态系统，运行时常具有不确定性，而用现有的机器人动力学模型的先验知识常常难以建立其精确的数学模型，即使建立某种模型，也很复杂、计算量大，不能满足机器人实时控制的要求。智能控制的出现为解决机器人控制中存在的一些问题提供了新的途径。由于智能控制具有整体优化，不依赖对象模型，自学习和自适应等特性，用它解决机器人等复杂控制问题，可以取得良好效果。 2、智能机器人的概述 提起智能机器人，很容易让人联想到人工智能。人工智能有生物学模拟学派、心理学派和行为主义学派三种不同的学派。在20世纪50年代中期，行为主义学派一直占统治地位。行为主义学派的学者们认为人类的大部分知识是不能用数学方法精确描述的，提出了用符号在计算机上表达知识的符号推理系统，即专家系统。专家系统用规则或语义网来表示知识规则。但人类的某些知识并不能用显式规则来描述，因此，专家系统曾一度陷人困境。近年来神经网络技术取得一定突破，使生物模拟学派活跃起来。智能机器人是人工智能研究的载体，但两者之间存在很大的差异。例如，对于智能装配机器人而言，要求它通过视觉系统获取图纸上的装配信息，通过分析，发现并找到所需工件，按正确的装配顺序把工件一一装配上。因此，智能机器人需要具备知识的表达与获取技术，要为装配做出规划。同时，在发现和寻找工件时需要利用模式识别技术，找到图样上的工件。装配是一个复杂的工艺，它可能要采用力与位置的混合控制技术，还可能为机器人的本体装上柔性手腕，才能完成任务，这又是机构学问题。智能机器人涉及的面广，技术要求高，是高新技术的综合体。那么，到底什么是智能机器人呢?到目前为止，国际上对智能机器人仍没有统一的定义。一般认为，智能机器人是具有感知、思维和动作的机器。所谓感知，即指发现、认识和描述外部环境和自身状态的能力。如装配作业，它要能找到和识别所要的工件，需要利用视觉传感器来感知工件。同时，为了接近工件，智能机器人需要在非结构化的环境中，认识瘴碍物并实现避障移动。这些都依赖于智能机器人的感觉系统，即各种各样的传感器。所谓思维，是指机器人自身具有解决问题的能力。比如，装配机器人可以根据设计要求，为一个复杂机器找到零件的装配办法及顺序，指挥执行机构，即动作部分去装配完成这个机器，动作是指机器人具有可以完成作业的机构和驱动装置。因此，智能机器人是一个复杂的软件、硬件的综合体。虽然对智能机器人没有统一的定义，但通过对具体智能机器人的考察，还是有一个感性认识的。 3、智能机器人的体系结构 智能机器人的体系结构主要包括硬件系统和软件系统两 个方面。由于智能机器人的使用目的不同，硬件系统的构成也不尽相同。结构是以人为原型设计的。系统主要包括视觉系统、行走机构、机械手、控制系统和人机接口。如图1所示： 视觉系统 智能机器人利用人工视觉系统来模拟人的眼睛。视觉系统可分为图像获取、图像处理、图像理解3个部分。视觉传感器是将景物的光信号转换成电信号的器件。早期智能机器人使用光导摄像机作为机器人的视觉传感器。近年来，固态视觉传感器，如电荷耦合器件CCD、金属氧化物半导体CMOS器件。同电视摄像机相比，固体视觉传感器体积小、质量轻，因此得到广泛的应用。视觉传感器得到的电信号经过A/D转换成数字信号，即数字图像。单个视觉传感器只能获取平面图像，无法获取深度或距离信息。目前正在研究用双目立体视觉或距离传感.器来获取三维立体视觉信息。但至今还没有一种简单实用的装置。数字图像经过处理，提取特征，然后由图像理解部分识别外界的景物。 行走机构 智能机器人的行走机构有轮式、履带式或爬行式以及类人型的两足式。目前大多数智能机器人.采用轮式、履带式或爬行式行走机构，实现起来简单方便。1987年开始出现两足机器人，随后相继研制了四足、六足机器人。让机器人像人类一样行走，是科学家一直追求的梦想。 机械手 智能机器人可以借用工业机器人的机械手结构。但手的自由度需要增加，而且还要配备触觉、压觉、力觉和滑觉等传感器以便产生柔软、.灵活、可靠的动作，完成复杂作业。 控制系统 智能机器人多传感器信息的融合、运动规划、环境建模、智能推理等需要大量的内存和高速、实时处理能力。现在的冯?诺曼结构作为智能机器人的控制器仍然力不从心。随着光子计算机和并行处理结构的出现，智能机器人的处理能力会更高。机器人会出现更高的钾能。 人机接口 智能机器人的人机接口包括机器人会说、会听以及网络接日、话筒、扬声器、语音合成和识别系统，使机器人能够听懂人类的指令，能与人以自然语言进行交流。机器人还需要具有网络接n，人可以通过网络和通讯技术对机器.人进行控制和操作。 随着智能机器人研究的不断深入、越来越多的各种各样的传感器被使用，信息融合、规划，问题求解，运动学与动力学计算等单元技术不断提高，使智能机器人整体智能能力不断增强，同时也使其系统结构变得复杂。智能机器人是一个多CPU的复杂系统，它必然是分成若干模块或分层递阶结构。在这个结构中，功能如何分解、时间关系如何确定、空间资源如何分配等问题，都是直接影响整个系统智能能力的关键问题。同时为了保证智能系统的扩展，便于技术的更新，要求系统的结构具有一定开放性，从而保证智能能力不断增强，新的或更多传感器可以进入，各种算法可以组合使用口这便使体系结构本身变成了一个要研究解决的复杂问题。智能机器人的体系结构是定义一个智能机器人系统各部分之间相互关系和功能分配，确定一个智能机器人或多个智能机器人系统的信息流通关系和逻辑上的计算结构。对于一个具体的机器人而言，可以说就是这个机器人信息处理和控制系统的总体结构，它不包括这个机器人的机械结构内容。事实上，任何一个机器人都有自己的体系结构。目前，大多数工业机器人的控制系统为两层结构，上层负责运动学计算和人机交互，下层负责对各个关节进行伺服控制。 参考文献： [1]左敏，曾广平. 基于平行进化的机器人智能控制研究[J]. 计算机仿真，2011，08：15-16. [2]陈赜，司匡书. 全自主类人机器人的智能控制系统设计[J]. 伺服控制，2009，02：76-78. [3]康雅微. 移动机器人马达的智能控制[J]. 装备制造技术，：102-103. 看了“机器人控制技术论文”的人还看： 1. 搬运机器人技术论文 2. 机电控制技术论文 3. 关于机器人的科技论文 4. 工业机器人技术论文范文(2) 5. 机器人科技论文
数字化家庭是未来智能小区系统的基本单元。所谓“数字化家庭”就是基于家庭内部提供覆盖整个家庭的智能化服务，包括数据通信、家庭娱乐和信息家电控制功能。数字化家庭设计的一项主要内容是通信功能的实现，包括家庭与外界的通信及家庭内部相关设施之间的通信。从现在的发展来看，外部的通信主要通过宽带接入。intenet，而家庭内部的通信，笔者采用目前比较具有竞争力的蓝牙(bluetootlh)无线接入技术。传统的数字化家庭采用pc进行总体控制，缺乏人性化。笔者根据人工情感的思想设计一种配备多种外部传感器的智能机器人，将此智能机器人视作家庭成员，通过它实现对数字化家庭的控制。本文主要就智能机器人在数字化家庭医疗保健方面的应用进行模型设计，在智能机器人与医疗仪器和控制pc的通信采用蓝牙技术。整个系统的成本较低，功能较为全面，扩展应用非常广阔，具有极大的市场潜力。2 智能机器人的总体设计2．1 智能机器人的多传感器系统机器人智能技术中最为重要的相关领域是机器人的多感觉系统和多传感信息的集成与融合[1]，统称为智能系统的硬件和软件部分。视觉、听觉、力觉、触觉等外部传感器和机器人各关节的内部传感器信息融合使用，可使机器人完成实时图像传输、语音识别、景物辨别、定位、自动避障、目标物探测等重要功能；给机器人加上相关的医疗模块(ccd、camera、立体麦克风、图像采集卡等)和专用医疗传感器部件，再加上医疗专家系统就可以实现医疗保健和远程医疗监护功能。智能机器人的多传感器系统框图如图1所示。2．2 智能机器人控制系统机器人控制系统包含2部分：一是上位机，一般采用pc，它完成机器人的运动轨迹规划、传感器信息融合控制算法、视觉处理、人机接口及远程处理等任务；二是下位机，一般采用多单片机系统或dsp等作为控制器的核心部件，完成电机伺服控制、反馈处理、图像处理、语音识别和通信接口等功能。如果采用多单片机系统作为下位机，每个处理器完成单一任务，通过信息交换和相互协调完成总体系统功能，但其在信号处理能力上明显有所欠缺。由于dsp擅长对信号的处理，而且对此智能机器人来说经常需要信号处理、图像处理和语音识别，所以采用dsp作为智能机器人控制系统的控制器[2]。控制系统以dsp(tms320c54x)为核心部件，由蓝牙无线通信、gsm无线通信(支持gprs)、电机驱动、数字罗盘、感觉功能传感器(视觉和听觉等)、医疗传感器和多选一串口通信(rs-232)模块等组成，控制系统框图如图2所示。 (1)系统通过驱动电机和转向电机控制机器人的运动，转向电机利用数字罗盘的信息作为反馈量进行pid控制。(2)采用爱立信(ericsson)公司的rokl01007型电路作为蓝牙无线通信模块，实现智能机器人与上位机pc的通信和与其他基于蓝牙模块的医疗保健仪器的通信。(3)支持gprs的gsm无线通信模块支持数据、语音、短信息和传真服务，采用手机通信方式与远端医疗监控中心通信。(4)由于tms320c54x只有1个串行口，而蓝牙模块、gsm无线模块、数字罗盘和视觉听觉等感觉功能传感器模块都是采用rs一232异步串行通信，所以必须设计1个多选一串口通信模块进行转换处理。当tms320c54x需要蓝牙无线通信模块的数据时通过电路选通；当t~ms320c54x需要某个传感器模块的数据时，关断上次无线通信模块的选通，同时选通该次传感器模块。这样，各个模块就完成了与1~ms320c54x的串口通信。3 主要医疗保健功能的实现智能机器人对于数字化家庭的医疗保健可以提供如下的服务：(1)医疗监护通过集成有蓝牙模块的医疗传感器对家庭成员的主要生理参数如心电、血压、体温、呼吸和血氧饱和度等进行实时检测，通过机器人的处理系统提供本地结果。(2)远程诊断和会诊通过机器人的视觉和听觉等感觉功能，将采集的视频、音频等数据结合各项生理参数数据传给远程医疗中心，由医疗中心的专家进行远程监控，结合医疗专家系统对家庭成员的健康状况进行会诊，即提供望(视频)、闻、问(音频)、切(各项生理参数)的服务[3]。3．1机器人视觉与视频信号的传输机器人采集的视频信号有2种作用：提供机器人视觉；将采集到的家庭成员的静态图像和动态画面传给远程医疗中心。机器人视觉的作用是从3维环境图像中获得所需的信息并构造出环境对象的明确而有意义的描述。视觉包括3个过程：(1)图像获取。通过视觉传感器(立体影像的ccd camera)将3维环境图像转换为电信号。(2)图像处理。图像到图像的变换，如特征提取。(3)图像理解。在处理的基础上给出环境描述。通过视频信号的传输，远程医疗中心的医生可以实时了解家庭成员的身体状况和精神状态。智能机器人根据医生的需要捕捉适合医疗保健和诊断需求的图像，有选择地传输高分辨率和低分辨率的图像。在医疗保健的过程中，对于图像传送有2种不同条件的需求：(1)医生观察家庭成员的皮肤、嘴唇、舌面、指甲和面部表情的颜色时，需要传送静态高清晰度彩色图像；采用的方法是间隔一段时间(例如5分钟)传送1幅高清晰度静态图像。(2)医生借助动态画面查看家庭成员的身体移动能力时，可以传送分辨率较低和尺寸较小的图像，采用的方法是进行合理的压缩和恢复以保证实时性。3．2机器人听觉与音频信号的传输机器人采集的音频信号也有2种作用：一是提供机器人听觉；二是借助于音频信号，家庭成员可以和医生进行沟通，医生可以了解家庭成员的健康状况和心态。音频信号的传输为医生对家庭成员进行医疗保健提供了语言交流的途径。机器人听觉是语音识别技术，医疗保健智能机器人带有各种声交互系统，能够按照家庭成员的命令进行医疗测试和监护，还可以按照家庭成员的命令做家务、控制数字化家电和照看病人等。声音的获取采用多个立体麦克风。由于声音的频率范围大约是300hz一3400hz，过高或过低频率的声音在一般情况下是不需要传输的，所以只用传送频率范围在1000hz-3000hz的声音，医生和家庭成员就可以进行正常的交流，从而可以降低传输音频信号所占用的带宽，再采用合适的通信音频压缩协议即可满足实时音频的要求。智能机器人的听觉系统如图3所示。3．3各项生理信息的采集与传输传统检测设备通过有线方式连到人体上进行生理信息的采集，各种连线容易使病人心情紧张，从而导致检测到的数据不准确。使用蓝牙技术可以很好地解决这个问题，带有蓝牙模块的医疗微型传感器安置在家庭成员身上，尽量使其不对人体正常活动产生干扰，再通过蓝牙技术将采集的数据传输到接收设备并对其进行处理。在智能机器人上安装1个带有蓝牙模块的探测器作为接收设备，各种医疗传感器将采集到的生理信息数据通过蓝牙模块传输到探测器，探测器有2种工作方式：一是将数据交给智能机器人处理，提供本地结果；二是与internet连接(也可以通过gsm无线模块直接发回)，通过将数据传输到远程医疗中心，达到医疗保健与远程监护的目的。视频和音频数据的传输也采用这种方式。智能机器人的数据传输系统如图4所示。4 蓝牙模块的应用4．1蓝牙技术概况蓝牙技术[4]是用于替代电缆或连线的短距离无线通信技术。它的载波选用全球公用的2．4ghz(实际射频通道为f=2402 k×1mhz，k=0，1，2，…，78)ism频带，并采用跳频方式来扩展频带，跳频速率为1600跳/s。可得到79个1mhz带宽的信道。蓝牙设备采用gfsk调制技术，通信速率为1mbit/s，实际有效速率最高可达721kbit/s，通信距离为10m，发射功率为1mw；当发射功率为100mw时，通信距离可达100m，可以满足数字化家庭的需要。4．2蓝牙模块rokl01007型蓝牙模块[5]是爱立信公司推出的适合于短距离通信的无线基带模块。它的集成度高、功耗小(射频功率为1mw)，支持所有的蓝牙协议，可嵌入任何需要蓝牙功能的设备中。该模块包括基带控制器、无线收发器、闪存、电源管理模块和时钟5个功能模块，可提供高至hci(主机控制接口)层的功能。单个蓝牙模块的结构如图5所示。4．3主，从设备硬件组成蓝牙技术支持点到点ppp(point-t0-point pro-tocol)和点对多点的通信，用无线方式将若干蓝牙设备连接成1个微微网[6]。每个微微网由1个主设备(master)和若干个从设备(slave)组成，从设备最多为7台。主设备负责通信协议的动作，mac地址用3位来表示，即在1个微微网内可寻址8个设备(互联的设备数量实际是没有限制的，只不过在同一时刻只能激活8个，其中1个为主，7个为从)。从设备受控于主设备。所有设备单元均采用同一跳频序列。将带有蓝牙模块的微型医疗传感器作为从设备，将智能机器人上的带有蓝牙模块的探测器作为主设备。主从设备的硬件主要包括天线单元、功率放大模块、蓝牙模块、嵌入式微处理器系统、接口电路及一些辅助电路。主设备是整个蓝牙的核心部分，要完成各种不同通信协议之间的转换和信息共享，以及同外部通信之间的数据交换功能，同时还负责对各个从设备的管理和控制。5 结束语随着社会的进步，经济的发展和人民生活水平的提高，越来越多的人需要家庭医疗保健服务。文中提出的应用于数字化家庭医疗保健服务的智能机器人系统的功能较为全面，且在家用智能机器人、基于蓝牙技术的智能家居和数字化医院等方面的拓展应用非常广阔，具有极大的市场潜力。
论文自动降重：论文自动降重机器人是一款能够解决论文重复度高，自动降重的RPA机器人。