2015年5月，国务院正式印发《中国制造2025》，全面推进“工业4.0”。“工业4.0”的核心是智能制造。而智能制造的基石是精益生产，工业机器人则是智能制造的最佳助手。机械臂作为机器人结构中最重要的部分之一，应用在现实生活中的各个领域。由于目前大多数机械臂都是针对在特定的工作环境中的特定的工作。因此大多数机械臂不具备也不需要对外部环境信息的感知能力，从而根据实际情况做出响应的判断从而进行作业。但是随着工业的快速发展，对智能机械臂的需求多样性也随之增加，出现了众多工作在复杂场景的机械臂，例如搬运机械臂、焊接机器人以及在航天领域工作在外太空的机器人等。这些机器人都需要识别周边环境的信息，通过捕获的信息完成任务。因此，使机械臂更加智能是很有意义的。
　　机械臂智能化可以体现在两个方面：其一是使机械臂具有感知能力；其二是拥有决策能力。
　　对于人信息的获取来说，80%的信息来源是视觉。同理，对于机械臂来说，获得感知能力的核心是计算机视觉。就计算机视觉而言，过去大部分目标检测算法基本是基于传统的滤波方法，提取人工设计出来的经典特征，如SIFT、HOG等算法。然后放入分类器（如SVM、Adaboost等）进行分类识别。当外部环境出现明显变化时，如光照变化、场景变化等，目标检测效果的差异很大，鲁棒性较差。在实际的工业生产中，当机械臂的工作环境较为复杂的时候，此时利用传统的目标检测算法进行感知，往往会使得工作效率事半功倍。
　　此外针对机械臂的决策系统来说，传统的路径规划算法往往只能采取较为保守的导航策略，即遇到障碍物立即刹停。而变道避障、目标跟踪等较为复杂的情况则需要人为设计策略进行应对，而专家系统设计的策略一旦存在疏忽，则可能导致不安全动作的发生。
　　近些年随着人工智能技术的发展，推出的深度学习以及深度强化学习算法，在解决传统目标检测以及路径规划算法应用在机械臂上面的局限性的问题上，提供了一种新的解决方案。这两种方法相较于前两者的优点在于，在训练完成之后，人工参与的工作较少，此外模型都具有很强的鲁棒性，针对复杂场景也可以达到较好的效果。
　　本课题对基于深度学习以及深度强化学习的目标识别与路径规划进行研究。并探究把深度学习以及深度强化学习应用在机械手臂上，实现机械臂智能化的可行性。利用基于深度学习的目标检测算法FasterR-CNN获取目标物体的位置信息，之后利用双目摄像头进行双目测距，最后利用基于深度强化学习的PPO算法，在搭建的三自由度的机械手实验仿真平台上实现机械臂的智能控制，使机械臂能够具有智能识别场景中物体并且可以自主规划运动路径到达目标物体位置的能力。实验表明，本文提出的系统是可行且稳定的。