| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-17页 |
| 1.3.1 经典路径规划算法 | 第10-12页 |
| 1.3.2 进化算法和算法融合 | 第12-14页 |
| 1.3.3 深度强化学习与路径规划 | 第14-17页 |
| 1.4 研究内容 | 第17-19页 |
| 第2章 建立移动机器人运动学模型 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 MATLAB下运动学建模并验证 | 第19-25页 |
| 2.2.1 机器人运动学模型建立 | 第19-21页 |
| 2.2.2 运动学模型合理性的验证 | 第21-25页 |
| 2.3 基于ROS建立实验模型 | 第25-30页 |
| 2.3.1 ROS总述 | 第25-26页 |
| 2.3.2 以URDF建立机器人模型 | 第26-28页 |
| 2.3.3 环境交互插件的编写 | 第28-30页 |
| 2.4 仿真环境下验证运动学模型 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于Actor-Critic算法的路径规划 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 强化学习方法 | 第33-42页 |
| 3.2.1 基于值函数的强化学习方法 | 第33-37页 |
| 3.2.2 基于策略的强化学习方法 | 第37-40页 |
| 3.2.3 结合了基于值函数的策略梯度算法 | 第40-42页 |
| 3.3 基于深度学习的强化学习 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于最小景深信息的深度强化学习训练 | 第47-54页 |
| 4.1 引言 | 第47页 |
| 4.2 优化状态空间的构建 | 第47-49页 |
| 4.3 基于最小景深信息的训练 | 第49-50页 |
| 4.4 算法实现与仿真验证 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 仿真实验搭建与实验研究 | 第54-67页 |
| 5.1 引言 | 第54页 |
| 5.2 系统的搭建 | 第54-56页 |
| 5.3 仿真环境下训练并进行验证 | 第56-58页 |
| 5.4 在真实环境下进行实验 | 第58-66页 |
| 5.4.1 深度图像预处理 | 第58-62页 |
| 5.4.2 机器人定位与坐标转换 | 第62-64页 |
| 5.4.3 室内环境下实验 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间发表过的学术论文及其他成果 | 第72-74页 |
| 致谢 | 第74页 |