摘要 | 第9-10页 |
ABSTRACT | 第10-11页 |
第一章 绪论 | 第12-19页 |
1.1 研究背景及意义 | 第12-16页 |
1.1.1 机器人技术的应用与发展 | 第12-13页 |
1.1.2 智能机器人技术的研究现状及意义 | 第13页 |
1.1.3 智能感知技术的研究现状及意义 | 第13-15页 |
1.1.4 自主控制技术的研究现状及意义 | 第15-16页 |
1.2 本文主要工作 | 第16-17页 |
1.3 论文结构 | 第17-19页 |
第二章 相关技术 | 第19-28页 |
2.1 基于距离传感器的环境感知技术 | 第19-25页 |
2.1.1 基于距离传感器的环境数据采集 | 第19-21页 |
2.1.2 环境建模技术 | 第21-23页 |
2.1.3 环境模型中的特征提取 | 第23-24页 |
2.1.4 目标物体的发现与识别 | 第24-25页 |
2.2 机器人的自主学习与控制 | 第25-27页 |
2.2.1 强化学习技术 | 第25-26页 |
2.2.2 无模型的学习方法 | 第26页 |
2.2.3 基于模型的方法 | 第26-27页 |
2.2.4 人工辅助的学习方法 | 第27页 |
2.3 本章小结 | 第27-28页 |
第三章 面向智能感知和自主决策的物体操控机器人整体架构设计 | 第28-35页 |
3.1 系统功能和设计目标 | 第28-30页 |
3.1.1 系统功能与规划 | 第28-29页 |
3.1.2 设计目标与要求 | 第29-30页 |
3.2 系统设计 | 第30-34页 |
3.2.1 整体设计 | 第30-32页 |
3.2.2 感知子系统的设计 | 第32-33页 |
3.2.3 效应子系统的设计 | 第33-34页 |
3.2.4 控制子系统的设计 | 第34页 |
3.3 本章小结 | 第34-35页 |
第四章 基于距离数据的智能感知算法 | 第35-48页 |
4.1 基于距离传感器的多维环境感知算法 | 第35-41页 |
4.1.1 水平感知算法 | 第35-38页 |
4.1.2 多维感知算法 | 第38-41页 |
4.2 基于点云数据的环境建模算法 | 第41-43页 |
4.2.1 基于穿透向量的占据方块权值计算 | 第41-43页 |
4.2.2 环境建模与融合 | 第43页 |
4.3 基于局部环境特征的目标发现算法 | 第43-45页 |
4.3.1 基于Hough变换的分层平面特征提取算法 | 第43-44页 |
4.3.2 基于平面特征数据的目标物体快速发现 | 第44-45页 |
4.4 基于机器学习的目标识别技术研究 | 第45-46页 |
4.4.1 基于SVM的目标物体识别 | 第45页 |
4.4.2 基于三维物体深度投影的数据降维方法 | 第45-46页 |
4.5 实验与验证 | 第46-48页 |
4.5.1 环境建模与感知实验与验证 | 第46-47页 |
4.5.2 特征提取与目标发现实验与验证 | 第47页 |
4.5.3 目标识别实验与验证 | 第47-48页 |
第五章 基于机器学习的自主控制技术研究 | 第48-57页 |
5.1 基于环境建模的机器人动作学习算法研究 | 第48-52页 |
5.1.1 基于MDP的机器人动作决策过程 | 第48-50页 |
5.1.2 最优动作策略求解算法 | 第50-51页 |
5.1.3 基于增强学习的机器人动作决策方法 | 第51-52页 |
5.2 基于历史经验的并行投票算法 | 第52-53页 |
5.3 基于数据流模型的训练集自扩展算法 | 第53-54页 |
5.4 实验与验证 | 第54-57页 |
5.4.1 并行投票算法的实验与验证 | 第54-55页 |
5.4.2 基于数据流模型的训练集自扩展算法的实验与验证 | 第55-57页 |
第六章 系统实现与测试 | 第57-61页 |
6.1 面向智能感知和自主决策的物体操控机器人系统实现 | 第57-59页 |
6.1.1 硬件系统的实现 | 第57-58页 |
6.1.2 软件系统的实现 | 第58页 |
6.1.3 整体运行与分析 | 第58-59页 |
6.2 物体操控机器人环境感知系统的实现与验证 | 第59-60页 |
6.3 物体操控机器人自主控制的实现与验证 | 第60页 |
6.4 本章小结 | 第60-61页 |
结束语 | 第61-62页 |
致谢 | 第62-63页 |
参考文献 | 第63-66页 |
作者在学期间取得的学术成果 | 第66页 |