随着人工智能领域的发展,深度学习,强化学习等算法被广泛应用于解决各种游戏博弈问题,通过训练神经网络来得到各种游戏的人工智能算法,人工智能来到了一个新的发展水平。本篇文章基于强化学习和深度神经网络,实现了从零开始学习五子棋博弈的人工智能算法,在此基础上,本文结合计算机视觉与自动化机械手臂,搭建了完整的五子棋智能博弈机器人系统。本文基于强化学习的Actor-Critic基本架构搭建模型,使用蒙特卡洛树搜索进行探索,使用神经网络作为函数逼近器,通过基于价值(value based)的更新方法学习价值评估函数,通过基于策略(policy based)的更新方法学习策略函数。本文通过Self-Play从零开始训练神经网络,整个训练过程无需借助任何人类棋手经验。随后分别通过与蒙特卡洛树搜索对战,与人类棋手对弈来检验算法的博弈水平。本文提出了针对博弈游戏的注意力机制,用以提升策略-价值网络的收敛速度,提高算法的博弈水平。本文通过对照实验验证了注意力机制的正确性和有效性。在此基础上,使用深度卷积神经网络构建视觉系统,实现了从棋盘状态图像自动提取棋盘特征,预测注意力机制中的焦点位置的功能,使得五子棋博弈算法不再依赖于手动输入人工特征,也不再需要除当前棋盘图像以外的任何其他信息即可做出决策,实现了由棋盘图像-策略的端到端决策过程。最后本文将五子棋智能博弈算法,视觉系统与自动化机械手臂进行整合,实现了五子棋博弈的智能机器人系统。本文制定了智能博弈机器人系统进行人机对弈的完整流程,并通过实验验证了系统的基本功能,证明了机器人系统设计的合理性与有效性。