全向移动机器人运动规划与轨迹跟踪控制的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 引言 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 路径规划的研究现状 | 第14-16页 |
| 1.2.2 轨迹跟踪算法的研究现状 | 第16-18页 |
| 1.3 论文的主要工作和组织结构 | 第18-20页 |
| 1.3.1 课题来源 | 第18页 |
| 1.3.2 论文的主要工作 | 第18-19页 |
| 1.3.3 论文的结构安排 | 第19-20页 |
| 第二章 自主移动机器人及强化学习算法 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 移动机器人的系统概述 | 第20-26页 |
| 2.2.1 移动机器人简介 | 第20-22页 |
| 2.2.2 实验平台的硬件介绍 | 第22-23页 |
| 2.2.3 实验平台的软件介绍 | 第23-26页 |
| 2.3 强化学习原理 | 第26-31页 |
| 2.3.1 马尔可夫决策过程 | 第27-28页 |
| 2.3.2 强化学习模型 | 第28-29页 |
| 2.3.3 强化学习的基本算法 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于虚拟子目标的RSP_Q学习路径规划 | 第32-45页 |
| 3.1 引言 | 第32-33页 |
| 3.2 随机最短路径与Q-Learning | 第33-37页 |
| 3.2.1 随机最短路径寻找方法 | 第33-35页 |
| 3.2.2 探索策略 | 第35-36页 |
| 3.2.3 RSP_Q学习算法 | 第36-37页 |
| 3.3 基于虚拟子目标的RSP_Q学习 | 第37-40页 |
| 3.3.1 虚拟子目标的选取 | 第37-38页 |
| 3.3.2 基于虚拟子目标的RSP_Q算法步骤 | 第38-40页 |
| 3.4 理论性分析证明 | 第40-42页 |
| 3.4.1 收敛性证明 | 第40页 |
| 3.4.2 计算复杂性分析对比 | 第40-41页 |
| 3.4.3 收敛速度分析对比 | 第41-42页 |
| 3.5 仿真实验结果对比 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 移动机器人路径跟踪控制 | 第45-64页 |
| 4.1 移动机器人轨迹平滑处理 | 第45-47页 |
| 4.1.1 B样条曲线介绍 | 第45-46页 |
| 4.1.2 仿真实验结果 | 第46-47页 |
| 4.2 移动机器人系统模型 | 第47-53页 |
| 4.2.1 全向移动机器人运动学模型 | 第47-50页 |
| 4.2.2 移动机器人概率运动模型 | 第50-53页 |
| 4.3 移动机器人轨迹算法设计 | 第53-58页 |
| 4.3.1 移动机器人轨迹跟踪问题描述 | 第53-54页 |
| 4.3.2 反演方法简介 | 第54-55页 |
| 4.3.3 轨迹跟踪控制算法设计 | 第55-57页 |
| 4.3.4 控制算法稳定性证明 | 第57-58页 |
| 4.4 仿真实验结果 | 第58-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 相关实验验证 | 第64-68页 |
| 5.1 Rviz仿真软件场景设计 | 第64-65页 |
| 5.1.1 仿真软件Rviz | 第64页 |
| 5.1.2 场景设计 | 第64-65页 |
| 5.2 验证实验 | 第65-67页 |
| 5.2.1 Q值表的设计 | 第65页 |
| 5.2.2 动作的设计 | 第65-66页 |
| 5.2.3 实验结果 | 第66-67页 |
| 5.3 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间发表的论文 | 第74-76页 |
| 致谢 | 第76页 |
