随着科学技术的不断进步,世界机器人的自动化和智能化水平越来越高,它不但可以按照人类预定程序来运行和协助人类,还可以具备“人”的思维方式来思考和判断问题并采取行动。在不确定的、动态的开放式环境下,机器人目标感知系统突破传统技术,发挥灵巧操作优势主动积极探索是未来机器人技术的重要发展方向。本文以机器人目标感知为研究背景,介绍了机器人感知的发展历程,分析了机器人不确定的、动态的开放式工作环境的特点,并通过机器人视觉图像上的主动感知和感知系统更为完善的交互式主动感知来详细论述和分析了机器人主动感知的必要性和重要性,提出了在机器人视觉图像识别和听觉实践探索的主动感知解决方案,实验验证了我们的方法能有效地主动目标识别。本文的研究思路及内容如下:(1)针对机器人视觉上目标识别的问题,充分发挥机器人灵巧操作在目标识别中的重要作用,实现感知与动作相互作用。本文提出一种贝叶斯主动视觉感知和决策方法,建立了机器人“感知-动作”的耦合关系。将贝叶斯主动感知方法应用于机器人视觉感知场景,学习未来观察序列在其可能的行动条件下发生变化,模拟机器人在3D模拟环境中移动以获取感兴趣的视觉图像信息来产生准确的识别结果。我们在GERMS数据集上评估了所提出的方法,并与顺序决策和随机决策对比,验证了该方法优于传统的被动感知方法。(2)针对探索性的感知中主动识别问题,建立了由丰富的动作采集的音频数据集。主动感知能够克服静态观察中被动识别遇到的许多困难,本文介绍了我们采集的音频数据集,其中包括数据集采集方式、数据集组成成分、数据集特点、测试实验结果。数据集旨在通过解决先前单一静态数据的缺点,为主动感知方法提供了更多数据选择。(3)针对机器人视觉上无法判断的内部物体识别的问题,搭建了完整的机器人“传感、感知和动作”三位一体的实验平台,利用机器人灵巧操作的优势实现“脑-手”协同工作,鼓励机器人发现并选择最优声音序列实现内部物体的主动识别。本文构造了一种基于DRL的交互式主动感知方法,该方法学习了在其可能采取的操作行为下的未来探索动作,使其能够主动探索有兴趣的声音信息,减少正确分类对象所需的交互步骤并识别目标物品。另外,我们的实验环境选择在较为安静的实验室,但不可避免地会收集到UR5机械臂电机转动所产生的噪音和实验室固有的背景噪音。结果表明,在这种环境下,我们的模型也能很好地发挥作用。