首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化系统论文--自动控制、自动控制系统论文

无人作战移动平台控制系统及路径规划算法研究

摘要第3-4页
Abstract第4-5页
1 绪论第9-18页
    1.1 课题研究的背景及意义第9-10页
    1.2 无人作战移动平台的国内外研究现状及发展趋势第10-12页
    1.3 无人移动平台的关键技术第12-16页
        1.3.1 无人作战系统控制技术第12-13页
        1.3.2 通讯技术第13-14页
        1.3.3 环境感知技术第14页
        1.3.4 路径规划技术第14-16页
    1.4 全文内容安排第16-18页
2 无人移动平台总体设计方案第18-25页
    2.1 全向移动平台总体结构第18-19页
    2.2 麦克纳姆轮特性第19-20页
    2.3 基于麦克纳姆轮全向移动平台动力学模型第20-22页
    2.4 全向移动平台总体控制系统设计第22-24页
    2.5 本章小结第24-25页
3 下位机控制系统及算法第25-43页
    3.1 STM32f405主控系统第25-26页
    3.2 底盘电机控制系统第26-31页
        3.2.1 底盘电机RM3510及电子调速器RM820R第26-28页
        3.2.2 移动平台计算性能第28-29页
        3.2.3 基于CAN协议的电机通讯方式第29-31页
    3.3 PID控制算法第31-38页
        3.3.1 位置式PID控制算法第31-32页
        3.3.2 增量式PID控制算法第32-33页
        3.3.3 适合电机控制的改进型PID算法第33-34页
        3.3.4 速度外环电流内环的PID算法整定第34-38页
    3.4 里程计信息第38-42页
        3.4.1 上下位机之间串口通信协议设计第38-39页
        3.4.2 里程计信息传输第39-42页
    3.5 本章小结第42-43页
4 基于ROS框架的上位机控制系统第43-53页
    4.1 Nvida TXl上位机主控系统第43-44页
    4.2 Ubuntu系统下ROS机器人控制框架第44-45页
    4.3 ROS导航定位包整体框架第45-47页
    4.4 激光雷达第47-50页
    4.5 ROS代价地图第50-52页
    4.6 本章小结第52-53页
5 基于强化学习的路径规划算法第53-71页
    5.1 常规路径规划算法介绍第53-55页
    5.2 基于强化学习的路径规划第55-58页
        5.2.1 马尔可夫决策过程第56-57页
        5.2.2 强化学习基本要素第57-58页
        5.2.3 Q-learning算法模型第58页
    5.3 基于改进型强化学习算法的全局路径规划第58-63页
        5.3.1 引力势场第59-60页
        5.3.2 陷阱搜索第60-63页
    5.4 基于DDQN算法的局部路径规划第63-70页
        5.4.1 深度强化学习DDQN算法第63-66页
        5.4.2 DDQN算法实现局部路径规划第66-68页
        5.4.3 DDQN算法中神经网络结构设计第68-70页
    5.5 本章小结第70-71页
6 仿真与实验第71-86页
    6.1 利用pygame模块仿真复杂地图的全局路径规划第71-75页
    6.2 利用pygame模块仿真动态地图的局部路径规划第75-79页
    6.3 采用单线雷达的室内自主路径规划实验第79-84页
        6.3.1 静态环境的全局路径规划第79-82页
        6.3.2 未知环境路径规划第82-84页
    6.4 本章小结第84-86页
7 总结与展望第86-88页
致谢第88-89页
参考文献第89-93页
附录第93页

论文共93页,点击 下载论文
上一篇:基于数据挖掘分类算法的钓鱼网站检测研究
下一篇:网络电台直播的发展与问题研究