小型足球机器人软件系统设计及轨迹学习
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1. 绪论 | 第11-23页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究发展综述 | 第12-21页 |
| 1.2.1 机器人世界杯RoboCup发展综述 | 第12-13页 |
| 1.2.2 小型足球机器人综述 | 第13-16页 |
| 1.2.3 Lua发展简介 | 第16-17页 |
| 1.2.4 轨迹规划发展综述 | 第17-21页 |
| 1.2.4.1 轨迹规划 | 第17-19页 |
| 1.2.4.2 轨迹学习 | 第19-21页 |
| 1.3 本文的主要工作和贡献 | 第21-22页 |
| 1.4 本文组织结构 | 第22-23页 |
| 2. 小型足球机器人系统构建 | 第23-41页 |
| 2.1 引言 | 第23页 |
| 2.2 小型足球机器人系统结构 | 第23-32页 |
| 2.2.1 视觉子系统 | 第24-27页 |
| 2.2.2 车载子系统 | 第27-32页 |
| 2.2.2.1 机械部分 | 第27-30页 |
| 2.2.2.2 电路部分 | 第30-31页 |
| 2.2.2.3 程序部分 | 第31-32页 |
| 2.3 决策子系统架构设计 | 第32-38页 |
| 2.3.1 B-PAS总体决策框架 | 第32-34页 |
| 2.3.2 Bayes状态评估器 | 第34-36页 |
| 2.3.3 Play配合层 | 第36-37页 |
| 2.3.4 Agent任务层 | 第37-38页 |
| 2.3.5 Skill动作层 | 第38页 |
| 2.4 本章小结 | 第38-41页 |
| 3. 基于Lua脚本的多智能体协作决策 | 第41-51页 |
| 3.1 Lua决策框架设计 | 第41-43页 |
| 3.1.1 整体架构 | 第41-42页 |
| 3.1.2 模块连接 | 第42-43页 |
| 3.2 基于状态机的多智能体协作 | 第43-47页 |
| 3.2.1 战术层设计 | 第43-46页 |
| 3.2.2 实际脚本解析 | 第46-47页 |
| 3.3 基于行为树的智能体执行 | 第47-49页 |
| 3.3.1 行为树的节点设置 | 第47-48页 |
| 3.3.2 一个具体的行为树示例 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 4. 基于DMPs的自适应轨迹生成方法 | 第51-73页 |
| 4.1 引言 | 第51页 |
| 4.2 DMPs基本模型及其扩展 | 第51-59页 |
| 4.2.1 DMPs基本模型 | 第52-53页 |
| 4.2.2 DMPs模型轨迹学习方法 | 第53-55页 |
| 4.2.2.1 局部加权回归方法 | 第53-54页 |
| 4.2.2.2 RFWR方法 | 第54-55页 |
| 4.2.3 DMPs轨迹生成 | 第55-57页 |
| 4.2.4 DMPs基本模型的不足 | 第57-58页 |
| 4.2.5 DMPs模型的改进 | 第58-59页 |
| 4.3 风格自适应DMPs | 第59-65页 |
| 4.3.1 整体架构 | 第59-61页 |
| 4.3.2 基于PDM模型的轨迹分类 | 第61-62页 |
| 4.3.3 风格自适应的学习算法 | 第62-65页 |
| 4.4 风格自适应DMPs的应用 | 第65-71页 |
| 4.4.1 小型足球机器人中的击球任务 | 第66-68页 |
| 4.4.1.1 任务场景设置 | 第66-67页 |
| 4.4.1.2 实验结果 | 第67-68页 |
| 4.4.2 乒乓球机器人击球任务 | 第68-71页 |
| 4.5 本章小结 | 第71-73页 |
| 5. 总结与展望 | 第73-75页 |
| 5.1 总结 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 作者简历 | 第81页 |
