| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 移动机器人的发展历史及现状 | 第10-13页 |
| 1.3 避碰问题国内外研究现状 | 第13-16页 |
| 1.3.1 避碰问题的国外研究现状 | 第13-14页 |
| 1.3.2 避碰问题的国内研究现状 | 第14-16页 |
| 1.4 移动机器人学习方法发展及现状 | 第16-18页 |
| 1.5 研究内容和方法 | 第18页 |
| 1.6 论文章节安排 | 第18-19页 |
| 第2章 移动机器人数学建模 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 机器人模型 | 第19-20页 |
| 2.3 传感器感知模型 | 第20页 |
| 2.4 坐标系和坐标转换 | 第20-22页 |
| 2.4.1 局部坐标系和全局坐标系 | 第20-21页 |
| 2.4.2 坐标系转换 | 第21-22页 |
| 2.5 环境模型 | 第22-25页 |
| 2.5.1 环境建模的基本方法 | 第22-23页 |
| 2.5.2 栅格法环境建模 | 第23-24页 |
| 2.5.3 构造障碍物顶点 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 移动机器人自主避碰算法设计 | 第27-51页 |
| 3.1 引言 | 第27页 |
| 3.2 静态未知环境中避碰算法设计 | 第27-29页 |
| 3.2.1 算法结构 | 第27-28页 |
| 3.2.2 算法特点 | 第28-29页 |
| 3.3 蚁群算法 | 第29-33页 |
| 3.3.1 蚁群算法模型建立 | 第29-31页 |
| 3.3.2 基于蚁群算法的路径规划 | 第31-33页 |
| 3.4 改进人工势场法 | 第33-35页 |
| 3.4.1 改进策略 | 第33-34页 |
| 3.4.2 改进势场下机器人的避障决策设计 | 第34-35页 |
| 3.5 动态未知环境避碰策略 | 第35-41页 |
| 3.5.1 动态障碍物模型 | 第35-36页 |
| 3.5.2 动态障碍物的处理 | 第36-38页 |
| 3.5.3 移动机器人与动态障碍物的运动分析 | 第38-39页 |
| 3.5.4 相向运动的避碰策略 | 第39-40页 |
| 3.5.5 同向运动的避碰策略 | 第40-41页 |
| 3.6 未知环境中移动机器人避碰仿真及实物试验 | 第41-48页 |
| 3.6.1 静态未知环境中移动机器人避碰仿真 | 第42-43页 |
| 3.6.2 动态未知环境中移动机器人避碰仿真 | 第43-47页 |
| 3.6.3 室内环境中移动机器人避碰试验 | 第47-48页 |
| 3.7 本章小结 | 第48-51页 |
| 第4章 深度学习模型分析 | 第51-59页 |
| 4.1 引言 | 第51页 |
| 4.2 深度学习网络的基本构成 | 第51-52页 |
| 4.3 深度学习网络模型训练 | 第52-56页 |
| 4.3.1 前向传播 | 第52-53页 |
| 4.3.2 损失函数 | 第53-54页 |
| 4.3.3 梯度下降算法 | 第54-55页 |
| 4.3.4 反向传播 | 第55-56页 |
| 4.4 循环神经网络 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 基于GRU-RNN网络模型的移动机器人动态路径规划 | 第59-69页 |
| 5.1 引言 | 第59页 |
| 5.2 GRU模块单元权值更新 | 第59-63页 |
| 5.2.1 前向传播过程 | 第59-60页 |
| 5.2.2 反向传播过程 | 第60-63页 |
| 5.3 基于GRU-RNN的移动机器人动态规划网络模型设计 | 第63-68页 |
| 5.3.1 GRU-RNN网络模型结构设计 | 第63-64页 |
| 5.3.2 提升网络的泛化性 | 第64-65页 |
| 5.3.3 GRU-RNN网络模型实验验证 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-77页 |
| 致谢 | 第77页 |