| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-34页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 机器人智能关键技术概述及其发展现状 | 第11-21页 |
| 1.2.1 机器人智能关键技术概述 | 第12-16页 |
| 1.2.2 机器人国内外研究现状 | 第16-21页 |
| 1.3 机器人学习的研究现状及热点 | 第21-26页 |
| 1.3.1 机器人学习的方法 | 第21-25页 |
| 1.3.2 机器人学习的研究热点 | 第25-26页 |
| 1.4 机器人模仿学习的研究现状及发展趋势 | 第26-31页 |
| 1.4.1 机器人模仿学习的研究现状 | 第26-31页 |
| 1.4.2 机器人模仿学习的发展趋势 | 第31页 |
| 1.5 本文的研究内容及组织结构 | 第31-34页 |
| 第2章 基于概率模型的机器人模仿学习研究 | 第34-50页 |
| 2.1 机器人模仿学习的系统结构 | 第34页 |
| 2.2 基于高斯混合模型的行为表征 | 第34-41页 |
| 2.2.1 模型的构建 | 第34-35页 |
| 2.2.2 模型参数的学习 | 第35-41页 |
| 2.3 基于高斯混合回归的行为再现 | 第41-44页 |
| 2.3.1 高斯混合回归的过程 | 第41-43页 |
| 2.3.2 多约束问题回归 | 第43-44页 |
| 2.4 基于概率模型的模仿学习在书写任务中的研究 | 第44-49页 |
| 2.4.1 连续轨迹的表征与泛化 | 第44-46页 |
| 2.4.2 书写模仿中抗干扰问题的研究 | 第46-47页 |
| 2.4.3 基于多任务学习的离散汉字的书写 | 第47-49页 |
| 2.5 本章小结 | 第49-50页 |
| 第3章 基于Kinect的Nao机器人动作模仿系统的开发与实现 | 第50-66页 |
| 3.1 Nao机器人动作模仿的系统结构 | 第50-51页 |
| 3.2 基于Kinect的示教数据获取 | 第51-54页 |
| 3.2.1 示教者骨骼点信息采集 | 第51-52页 |
| 3.2.2 Nao机器人关节自由度与骨骼点的映射关系 | 第52-53页 |
| 3.2.3 关节示教信息的获取 | 第53-54页 |
| 3.3 数据的表征与泛化 | 第54-59页 |
| 3.3.1 表征学习 | 第54-55页 |
| 3.3.2 泛化输出 | 第55-56页 |
| 3.3.3 仿真实验研究与分析 | 第56-59页 |
| 3.4 基于模仿学习的Nao机器人行为动作模仿的实现 | 第59-65页 |
| 3.4.1 Nao机器人动作模仿系统的图形用户界面 | 第60-61页 |
| 3.4.2 行为动作的模仿 | 第61-63页 |
| 3.4.3 基于动作模仿的任务实现 | 第63-65页 |
| 3.5 本章小结 | 第65-66页 |
| 第4章 机器人模仿学习的在线调整问题研究 | 第66-80页 |
| 4.1 在线调整问题概述 | 第66-67页 |
| 4.2 动态系统法 | 第67-72页 |
| 4.2.1 动态系统法的原理 | 第67-69页 |
| 4.2.2 动态系统法的特性 | 第69-71页 |
| 4.2.3 基于动态系统法的模仿学习实验设计 | 第71-72页 |
| 4.3 将高斯混合模型与动态系统法相结合的DS-GMR方法 | 第72-76页 |
| 4.3.1 基于高斯混合回归的动态系统法 | 第73-74页 |
| 4.3.2 算法的实验设计与分析 | 第74-76页 |
| 4.4 基于DS-GMR的模仿学习在线调整问题的研究与实现 | 第76-79页 |
| 4.4.1 任务参数化的高斯混合模型 | 第77页 |
| 4.4.2 基于DS-GMR的模仿学习在参数化运动中的扩展 | 第77-79页 |
| 4.4.3 机器人在线调整问题的实验研究与仿真实现 | 第79页 |
| 4.5 本章小结 | 第79-80页 |
| 总结与展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读硕士学位期间取得的学术成果 | 第88-90页 |
| 致谢 | 第90页 |
