随着人工智能的发展,自主学习的写字机器人一直是当代研究的热点,这是机器人从只是单纯的接受指令到自我学习的飞跃。目前主流的写字机器人一般都是基于视觉的写字机器人,由于其图像数据的获取和录入都有较大的难度,图像的千变万化,书写的好坏完全依赖于对图像预处理的结果,所以给特征的提取带来了很大的困难。并且具有图像处理的硬件一般价格都比较昂贵,成本也比较高,这给大规模的实际应用带来了难度。本文利用廉价的开发芯片生产出适合低端市场需要的低成本写字机器人,解决了传统的基于视觉的写字机器人对于图像处理成本要求较高这个难题。本文主要研究内容如下:(1)研究了通过低廉的六轴加速度计和陀螺仪来获取书写时的姿态信息数据,再利用RBF径向基神经网络分类,对获取的姿态数据利用预处理算法归一化特征值,然后,机械臂将学习过的字符信息数据传送到下位机控制器再进行字符的书写。这样使得机械臂写出来的字符只取决于学习到的字符,从而只需要带有加速度计和陀螺仪的控制器就能控制机械臂进行书写,降低了传统写字机器人的成本。(2)研究了利用RBF神经网络对需要书写的字符数据进行学习分类,从几个方面优化了RBF神经网络,使其识别率得以提高。并且分别设计了几组对比实验观察其优化前后的识别率,通过分析优化前后识别率的折线图对比,得出本文提出的方法识别准确率更高的结论。(3)研究了采用Neuromorphic Memory分类技术,包含了KNN分类器和RBF神经网络分类器。利用其优良的特性,来进行神经元的学习分类,学习分类的结果通过下位机驱动机械臂进行字符书写。最后经过实验验证得出,改进后的RBF神经网络分类器识别准确率比传统的RBF神经网络分类器识别准确率更高,并将识别的结果通过下位机传送给的机械臂,其书写字符也达到了较好的效果。