基于神经网络的挖掘机智能化控制研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 挖掘机智能化控制任务分析 | 第13-14页 |
| 1.4 论文结构与安排 | 第14-16页 |
| 2 挖掘机智能化相关技术 | 第16-24页 |
| 2.1 环境感知 | 第16-18页 |
| 2.2 强化学习 | 第18-22页 |
| 2.2.1 马尔科夫决策过程 | 第18-19页 |
| 2.2.2 策略与值函数 | 第19-21页 |
| 2.2.3 奖惩函数与环境模型 | 第21页 |
| 2.2.4 强化学习的基本求解算法 | 第21-22页 |
| 2.3 本章小结 | 第22-24页 |
| 3 基于LSTM的挖掘目标跟踪系统 | 第24-36页 |
| 3.1 挖掘目标输入方式 | 第24-25页 |
| 3.2 视觉跟踪技术 | 第25-26页 |
| 3.2.1 传统视觉跟踪算法 | 第25页 |
| 3.2.2 神经网络促进视觉跟踪发展 | 第25-26页 |
| 3.3 视觉跟踪系统组成 | 第26-28页 |
| 3.3.1 硬件开发平台 | 第26-27页 |
| 3.3.2 软件开发平台 | 第27-28页 |
| 3.3.3 视频跟踪流程 | 第28页 |
| 3.4 用于视觉跟踪控制LSTM网络搭建 | 第28-33页 |
| 3.4.1 LSTM网络简介 | 第28-29页 |
| 3.4.2 视觉跟踪LSTM网络模型 | 第29-30页 |
| 3.4.3 视觉跟踪LSTM网络训练 | 第30-33页 |
| 3.5 实验测试 | 第33-35页 |
| 3.5.1 数据集理论测试 | 第33-34页 |
| 3.5.2 运动跟踪测试 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于DDPG的挖掘机自主导航系统 | 第36-53页 |
| 4.1 挖掘机自主导航任务分析 | 第36-37页 |
| 4.2 基于策略的连续值强化学习算法 | 第37-38页 |
| 4.3 DDPG算法 | 第38-40页 |
| 4.4 基于DDPG的挖掘机自主导航模型建模 | 第40-43页 |
| 4.4.1 实验动作状态设计 | 第41-42页 |
| 4.4.2 奖惩设置 | 第42页 |
| 4.4.3 全连接神经网络 | 第42-43页 |
| 4.5 挖掘机自主导航实验设计及结果分析 | 第43-52页 |
| 4.5.1 模拟实验 | 第43-47页 |
| 4.5.2 实物实验 | 第47-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 基于DDPG的挖掘机轨迹控制系统 | 第53-64页 |
| 5.1 挖掘机轨迹控制分析 | 第53-54页 |
| 5.2 挖掘模型设计 | 第54-56页 |
| 5.2.1 动作状态设计 | 第54-55页 |
| 5.2.2 奖励函数设计 | 第55-56页 |
| 5.3 DDPG神经网络改进 | 第56页 |
| 5.4 挖掘机轨迹控制实验设计及结果分析 | 第56-63页 |
| 5.4.1 模拟实验环境搭建 | 第56-57页 |
| 5.4.2 模拟实验设计 | 第57页 |
| 5.4.3 实验结果分析 | 第57-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 结论与展望 | 第64-66页 |
| 6.1 研究结论 | 第64-65页 |
| 6.2 后续研究工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 作者在攻读硕士学位期间发表的论文 | 第70页 |
