发育机器人是指机器人能够像人类婴儿一样实现自主心智发育,不再针对特定的任务编程,而是以一套自主发育算法为基础通过不断的学习获取执行未知任务的能力,从而解决目前机器人针对特定任务进行编程,功能单一并且自适应性差等问题。因此具有自主学习能力的发育机器人成为许多学者研究的热点。本文针对发育机器人的视觉特征提取算法和自主发育算法进行理论和实验研究。首先是机器人的视觉特征提取算法。发育机器人对特征的学习必须是实时进行的。机器人依靠其视觉系统获取外界信息,然后对图像进行处理。但是一般摄像头的分辨率较高,获取的视频帧图像维度较大,机器人的计算能力有限,无法实现对视频图像实时处理,因此需要对图像进行特征提取,降低图像的维度,减少机器人的处理时间。本文结合已有的直观无协方差增量主成分分析算法和双向主成分分析算法,提出一种新的增量双向主成分分析算法,实现对图像的特征提取。算法采用迭代的计算方式,具备增量的计算能力,并且将二维原始图像矩阵直接作为处理对象,有效地降低了计算量,缩短了程序运行时间,基本满足发育机器人对视频图像的实时处理需求。发育机器人具有自主学习能力的核心是自主发育算法。本文通过模拟人大脑视觉皮层的工作机制,建立一种基于自主发育神经网络的机器人自主发育学习算法。算法采用叶分量分析算法实现发育过程,通过预响应值衡量神经网络的输入与网络内部知识的匹配程度,采用Top-k竞争机制模拟神经元侧抑制效应,利用赫布学习规则更新竞争获胜神经元的权重向量,并针对遗忘过程引入神经元年龄的概念。发育机器人通过自主发育神经网络对输入的样本图像进行学习,将学习的内容存储在神经网络中,形成稳定的记忆。本课题以六自由度可重构机器人作为研究平台,实现机器人对待抓取积木块的认知学习。本文作为前期研究主要完成机器人视觉特征提取和自主发育算法的基础研究。实验采用机器人在实际环境下获取的待抓取积木块的实物视频截图对算法进行了验证。实验总共分为两个部分。在特征提取实验中,将样本图像以增量的形式输入算法中,对三种算法进行对比,实验结果表明,本文提出的增量双向主成分分析算法的分类率高于其他两种算法,达到了90%以上,同时运算时间要小于其他两种算法,基本达到了对视频的处理速度。在自主发育神经网络的实验中,利用神经网络分别对标准的手写数字数据集和积木块实物图像进行发育学习和预测分类,对神经元的权重向量进行了可视化,展示了神经网络的学习结果,实现对不同物体的分类和识别,说明自主发育神经网络可以实现发育机器人的学习和认知。