应急情况下机器人行为策略研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-12页 |
| 1.1.1 课题来源 | 第11页 |
| 1.1.2 研究目的与意义 | 第11-12页 |
| 1.2 移动机器人偶然性规划研究现状 | 第12-13页 |
| 1.3 移动机器人环境感知技术 | 第13-14页 |
| 1.4 移动机器人力矩控制发展概况 | 第14-15页 |
| 1.5 本文的主要研究内容 | 第15-17页 |
| 第2章 机器人视觉受污偶然性规划 | 第17-32页 |
| 2.1 引言 | 第17页 |
| 2.2 基于CBR的应急行为策略 | 第17-21页 |
| 2.2.1 基于案例推理(CBR) | 第17-19页 |
| 2.2.2 机器人应急行为方案设计 | 第19-21页 |
| 2.3 可重构移动机器人平台 | 第21-22页 |
| 2.4 机器人运动学模型 | 第22-25页 |
| 2.5 基于子目标点的静态障碍物避让 | 第25-31页 |
| 2.5.1 机器人车体转向方式 | 第25-27页 |
| 2.5.2 静态障碍物避障策略 | 第27-30页 |
| 2.5.3 基于双艾克曼转向的避障算法 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 崎岖地面近地感知建模及地形判断 | 第32-49页 |
| 3.1 引言 | 第32页 |
| 3.2 近地感知策略及点云数据获取 | 第32-37页 |
| 3.3 多激光雷达扫描数据融合 | 第37-38页 |
| 3.4 可视化地面模型重建及DEM生成 | 第38-44页 |
| 3.4.1 DEM数字高程图 | 第39-40页 |
| 3.4.2 地形可视化表面重建 | 第40-42页 |
| 3.4.3 规则三角网格化算法及DEM生成 | 第42-44页 |
| 3.5 地形障碍物检测与可通过性判断 | 第44-48页 |
| 3.5.1 地形障碍物检测 | 第44-47页 |
| 3.5.2 机器人路况应对方式 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于神经网络的牵引力控制策略 | 第49-71页 |
| 4.1 引言 | 第49页 |
| 4.2 机器人牵引力网络控制模型 | 第49-51页 |
| 4.3 牵引力网络控制模型学习样本获取 | 第51-57页 |
| 4.3.1 基于运动学的机器人姿态参数估计 | 第51-53页 |
| 4.3.2 基于运动学的机器人力分布准静态力估计 | 第53-56页 |
| 4.3.3 牵引力网络控制模型学习样本建立 | 第56-57页 |
| 4.4 牵引力网络控制模型建立 | 第57-63页 |
| 4.4.1 Elman神经网络 | 第57-60页 |
| 4.4.2 深度置信神经网络 | 第60-63页 |
| 4.5 牵引力网络模型实时控制过程 | 第63-67页 |
| 4.5.1 接地角获取 | 第64-65页 |
| 4.5.2 牵引力网络控制软件 | 第65-67页 |
| 4.6 基于激光雷达速度测量算法 | 第67-70页 |
| 4.7 本章小结 | 第70-71页 |
| 第5章 应急规划行为实验 | 第71-93页 |
| 5.1 引言 | 第71页 |
| 5.2 激光雷达近地感知实验 | 第71-78页 |
| 5.2.1 实验设计 | 第71-72页 |
| 5.2.2 刚性平地地形重建及障碍物检测 | 第72-74页 |
| 5.2.3 沙地崎岖地形重建及障碍物检测 | 第74-78页 |
| 5.3 神经网络模型牵引力控制实验 | 第78-89页 |
| 5.3.1 对称崎岖路面 | 第78-82页 |
| 5.3.2 非对称崎岖路面 | 第82-85页 |
| 5.3.3 崎岖沙地路面 | 第85-89页 |
| 5.4 目标跟踪及避障综合试验 | 第89-92页 |
| 5.4.1 刚性平地越障 | 第89-90页 |
| 5.4.2 松软沙地越障 | 第90-92页 |
| 5.5 本章小结 | 第92-93页 |
| 结论 | 第93-95页 |
| 参考文献 | 第95-101页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第101-103页 |
| 致谢 | 第103页 |
