| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 智能清洁机器人路径规划研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 清洁机器人路径规划相关理论及其方法 | 第15-25页 |
| 2.1 清洁机器人路径规划概述 | 第15-16页 |
| 2.2 移动机器人路径规划分类 | 第16页 |
| 2.3 清洁机器人路径规划分类 | 第16-24页 |
| 2.3.1 未知环境模型的全局路径规划 | 第16-17页 |
| 2.3.2 已知环境模型的全局路径规划 | 第17-20页 |
| 2.3.3 智能路径规划方法 | 第20-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于栅格法的移动机器人环境建模 | 第25-32页 |
| 3.1 栅格法概述 | 第25-28页 |
| 3.1.1 构建栅格地图 | 第26-27页 |
| 3.1.2 栅格的标识方法 | 第27-28页 |
| 3.2 基于改进栅格法的清洁机器人环境地图建模 | 第28-31页 |
| 3.2.1 栅格法的改进 | 第28-29页 |
| 3.2.2 二值腐蚀和二值膨胀 | 第29-30页 |
| 3.2.3 基于膨胀和腐蚀的栅格地图优化 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于K-Means及支持向量机（svm）的栅格地图分区 | 第32-42页 |
| 4.1 聚类算法概述 | 第32-34页 |
| 4.1.1 相似性度量 | 第32-33页 |
| 4.1.2 基于距离的相似性度量 | 第33-34页 |
| 4.2 K-means聚类算法对障碍物的处理 | 第34-38页 |
| 4.2.1 K-Means聚类算法 | 第34-36页 |
| 4.2.2 基于K-Means的栅格障碍物聚类 | 第36-38页 |
| 4.3 基于支持向量机的栅格地图分区 | 第38-41页 |
| 4.3.1 最优分类超平面 | 第38-40页 |
| 4.3.2 提取支持向量 | 第40页 |
| 4.3.3 栅格地图分区 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于改进的蚁群算法的清洁机器人路径规划研究 | 第42-62页 |
| 5.1 蚁群算法概述 | 第42-47页 |
| 5.1.1 蚁群算法基本原理 | 第42-43页 |
| 5.1.2 蚂蚁系统模型描述 | 第43-45页 |
| 5.1.3 基本蚁群算法的实现步骤 | 第45-47页 |
| 5.2 几种典型的蚁群算法 | 第47-49页 |
| 5.2.1 蚁群系统 | 第47页 |
| 5.2.2 最大-最小蚂蚁系统 | 第47-48页 |
| 5.2.3 基于优化排序的蚂蚁系统 | 第48-49页 |
| 5.3 蚁群算法的改进 | 第49-56页 |
| 5.3.1 改进ACO优化算法 | 第49-52页 |
| 5.3.2 算法实现步骤 | 第52-54页 |
| 5.3.3 算法参数测试与分析 | 第54页 |
| 5.3.4 算法性能测试 | 第54-56页 |
| 5.4 综合仿真实验 | 第56-60页 |
| 5.4.1 仿真实验与分析 | 第56-57页 |
| 5.4.2 路径修正 | 第57-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67页 |