| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-17页 |
| 1.1.1 云机器人 | 第13-14页 |
| 1.1.2 机器人场景理解 | 第14-16页 |
| 1.1.3 云机器人架构下的场景理解 | 第16-17页 |
| 1.2 研究内容 | 第17-19页 |
| 1.2.1 现有工作面临的挑战 | 第17-18页 |
| 1.2.2 本文主要工作 | 第18-19页 |
| 1.3 论文组织结构 | 第19-20页 |
| 第二章 相关技术研究 | 第20-32页 |
| 2.1 机器人场景理解 | 第20-23页 |
| 2.1.1 机器人场景理解当前工作 | 第20-22页 |
| 2.1.2 云机器人支持的场景理解 | 第22-23页 |
| 2.2 基于视觉的物体检测和识别 | 第23-28页 |
| 2.2.1 场景物体区域分割技术 | 第23-26页 |
| 2.2.2 场景区域分类注释技术 | 第26-28页 |
| 2.3 云机器人应用架构 | 第28-31页 |
| 2.3.1 基于私有云的云机器人应用架构 | 第28-30页 |
| 2.3.2 基于公有云的云机器人应用架构 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 云机器人场景理解架构 | 第32-41页 |
| 3.1 支持开放环境的机器人混合云架构 | 第32-37页 |
| 3.1.1“专业云+公开云”混合云架构 | 第32-33页 |
| 3.1.2 混合云架构在场景理解问题中的应用 | 第33-34页 |
| 3.1.3 混合云架构的关键模块和机制 | 第34-37页 |
| 3.2 公专协同机制 | 第37-39页 |
| 3.2.1 公专协同机制的定义 | 第37-38页 |
| 3.2.2 基于公专协同机制的混合云 | 第38页 |
| 3.2.3 针对不同专业云设计的公专协同机制 | 第38-39页 |
| 3.3 本章小结 | 第39-41页 |
| 第四章 云机器人场景理解关键机制 | 第41-53页 |
| 4.1 面向SVM分类算法的公专协同机制 | 第41-43页 |
| 4.1.1 基于投票数筛选的公专协同机制 | 第41-42页 |
| 4.1.2 基于背景物体类过滤的公专协同机制 | 第42-43页 |
| 4.1.3 面向SVM分类算法的公专协同机制性能收益 | 第43页 |
| 4.2 面向深度学习分类算法的公专协同机制 | 第43-48页 |
| 4.2.1 基于区域得分筛选的公专协同机制 | 第43-44页 |
| 4.2.2 基于其他物体类过滤的公专协同机制 | 第44-45页 |
| 4.2.3 面向深度学习分类算法的公专协同机制性能收益 | 第45-48页 |
| 4.3 基于ROS消息的协同SLAM建图方法 | 第48-49页 |
| 4.3.1 ROS应用程序模型及消息机制 | 第48页 |
| 4.3.2 基于消息通信的云机器人SLAM任务划分 | 第48-49页 |
| 4.4 基于数据融合的“标签-位置”映射方法 | 第49-52页 |
| 4.4.1 各物体在场景图片中位置的获取 | 第49-50页 |
| 4.4.2 机器人到各物体的角度和深度的获取 | 第50-51页 |
| 4.4.3 机器人实时位姿的获取 | 第51页 |
| 4.4.4 各物体在地图上位置的计算 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 原型系统实现与实验 | 第53-67页 |
| 5.1 原型系统实现 | 第53-56页 |
| 5.1.1 系统环境与配置 | 第53-54页 |
| 5.1.2 机器人和云端功能的实现 | 第54-56页 |
| 5.2 基于CORE专业云的实验 | 第56-60页 |
| 5.2.1 在公开数据集上的测试 | 第56-58页 |
| 5.2.2 在实验场景中的测试 | 第58-60页 |
| 5.3 基于Faster R-CNN专业云的实验 | 第60-66页 |
| 5.3.1 在公开数据集上的测试 | 第61-63页 |
| 5.3.2 在实验场景中的测试 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 作者在学期间取得的学术成果 | 第75页 |
