自平衡机器人的移动稳定性与路径优化研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.3 本文研究工作 | 第20页 |
| 1.4 论文结构 | 第20-22页 |
| 第二章 基于蚁群算法的自平衡机器人稳定性优化 | 第22-42页 |
| 2.1 原理概述 | 第22-30页 |
| 2.1.1 自平衡机器人 | 第22-26页 |
| 2.1.2 蚁群算法 | 第26-30页 |
| 2.2 问题描述 | 第30-31页 |
| 2.3 ASRQ模型 | 第31-33页 |
| 2.3.1 ASRQ模型的建立 | 第31-32页 |
| 2.3.2 基于ASRQ模型的稳定性优化 | 第32-33页 |
| 2.4 实验结果分析 | 第33-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 改进蜂巢栅格法对路径环境信息的优化处理 | 第42-60页 |
| 3.1 原理概述 | 第42-48页 |
| 3.1.1 路径规划的环境信息 | 第42-43页 |
| 3.1.2 环境信息优化方法 | 第43-45页 |
| 3.1.3 传统栅格法与蜂巢栅格法 | 第45-48页 |
| 3.2 改进蜂巢栅格法 | 第48-51页 |
| 3.3 实验分析 | 第51-58页 |
| 3.3.1 改进蜂巢栅格法与传统栅格法比较 | 第51-57页 |
| 3.3.2 改进蜂巢栅格法与蜂巢栅格法比较 | 第57-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第四章 基于遗传-蚁群的算法的路径优化 | 第60-74页 |
| 4.1 原理概述 | 第60-63页 |
| 4.1.1 路径规划 | 第60-62页 |
| 4.1.2 遗传算法 | 第62-63页 |
| 4.2 路径规划中的混合算法 | 第63-68页 |
| 4.2.1 混合算法概述 | 第63-65页 |
| 4.2.2 遗传算法与蚁群算法性能对比 | 第65-66页 |
| 4.2.3 遗传-蚁群算法的路径规划策略 | 第66-68页 |
| 4.3 实验结果及分析 | 第68-73页 |
| 4.3.1 有效性分析 | 第69-70页 |
| 4.3.2 效率分析 | 第70-72页 |
| 4.3.3 应用验证 | 第72-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 致谢 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 附录A 攻读学位期间发表论文目录 | 第84页 |
| 1. 攻读硕士学位期间发表的论文: | 第84页 |
| 2. 攻读硕士学位期间获得的专利: | 第84页 |
| 3. 攻读硕士学位期间申请的软件著作权 | 第84页 |
