本主題目的為實現一套以深度學習為基礎的機器手臂平台，主要探討現今流行的深度學習技術如深度神經網路(Deep Neural Networks, DNN)、卷積神經網路(Convolutional Neural Networks, CNN)間的差異，並以最近出現的生成式對抗網路(Generative Adversarial Network, GAN)作為本主題主要研究方法，並利用上述三種方法建立機器人運動學，以運動學角度分析的GAN 與傳統主流模型間的優劣。
本主題以四個部份進行，分別為機器人平台硬體、控制、資料蒐集、深度學習建立運動學等。硬體部份由機器手臂與手臂平台組合而成，整體共具備10 個自由度，手臂可在自建的運動空間做移動。機器人視覺部份則利用Kinect v2 中的紅外線攝影機為主，透過自建的YOLO v3 模型並結合Kinect v2 內建的深度感測器(IR projector)做目標物檢測，在平台中檢測出目標物的空間座標(x, y, z)。
將該目標物空間座標作為本主題GAN 運動模型的輸入，並輸出一組機器手臂的關節角度，而機器人可透過關節角度移動，移動至目標物旁將其抓起，完成一套擁有辨識能力之人型機器手臂平台。

本主題使用多個深度學習網路架構組合而成，並以生成式對抗網路(Generative Adversarial Network, GAN)建立機器手臂的運動學，有效解決因環境或當前狀態不佳，導致傳統逆向運動學控制手臂輸出結果的誤差。

機器手臂在進行任務時，常會遇到求解逆向運動學的問題，在現實世界中，傳統逆向運動學控制手臂，會因環境或當前狀態不佳，影響整體輸出精度。
本主題將研究以合理的運動數據操控機器手臂，直接收集手臂各結構上之運動資料，訓練建置一套逆向運動學模型並額外融入了物件辨識模型，使機器人具備物品辨識能力。