| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-11页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 全局避障规划方法 | 第11-12页 |
| 1.2.2 局部避障规划方法 | 第12-14页 |
| 1.3 论文的主要工作内容及章节安排 | 第14-16页 |
| 1.3.1 论文的主要工作内容 | 第14页 |
| 1.3.2 论文章节安排 | 第14-16页 |
| 第二章 环境建模与传统人工势场法 | 第16-23页 |
| 2.1 环境建模 | 第16-17页 |
| 2.1.1 环境建模的方法概述 | 第16-17页 |
| 2.1.2 栅格法环境建模 | 第17页 |
| 2.2 传统人工势场法 | 第17-20页 |
| 2.2.1 引力函数 | 第18-19页 |
| 2.2.2 斥力函数 | 第19页 |
| 2.2.3 全局势场函数 | 第19-20页 |
| 2.3 传统人工势场法优缺点分析 | 第20-22页 |
| 2.3.1 传统人工势场法优点 | 第20页 |
| 2.3.2 传统人工势场法缺点 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于混沌优化改进的人工势场法的AGV避障研究 | 第23-30页 |
| 3.1 改进的人工势场法 | 第23-25页 |
| 3.1.1 改进斥力势场函数的人工势场法 | 第23-24页 |
| 3.1.2 逃逸力优化思想 | 第24-25页 |
| 3.2 混沌优化算法理论 | 第25-26页 |
| 3.2.1 混沌优化算法概述 | 第25页 |
| 3.2.2 利用logistic映射产生混沌序列 | 第25-26页 |
| 3.2.3 混沌优化算法基本步骤 | 第26页 |
| 3.3 混沌优化改进的人工势场法 | 第26-27页 |
| 3.4 仿真与结果分析 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 模糊控制理论和模糊神经网络算法 | 第30-42页 |
| 4.1 模糊控制理论 | 第30-33页 |
| 4.1.1 模糊控制理论概述 | 第30页 |
| 4.1.2 模糊集合理论 | 第30-31页 |
| 4.1.3 模糊控制器的基本结构 | 第31-33页 |
| 4.1.4 模糊控制的优缺点 | 第33页 |
| 4.2 BP神经网络的基本原理 | 第33-36页 |
| 4.2.1 BP神经元和神经网络结构 | 第34-35页 |
| 4.2.2 BP神经网络的学习算法 | 第35-36页 |
| 4.2.3 BP神经网络的优缺点 | 第36页 |
| 4.3 基于T-S模型的模糊神经网络算法 | 第36-41页 |
| 4.3.1 T-S模型 | 第36-37页 |
| 4.3.2 基于T-S模型的模糊神经网络结构 | 第37-39页 |
| 4.3.3 网络参数学习算法 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 模糊神经网络避障算法的仿真与验证 | 第42-53页 |
| 5.1 模糊神经网络避障控制器设计 | 第42-44页 |
| 5.1.1 模糊避障控制器设计 | 第42-43页 |
| 5.1.2 输入输出变量初始隶属度函数的确定 | 第43-44页 |
| 5.2 模糊控制规则设计 | 第44-49页 |
| 5.2.1 行驶环境分类及避障策略 | 第44-45页 |
| 5.2.2 模糊规则的确立 | 第45-49页 |
| 5.3 隶属度函数的训练 | 第49-51页 |
| 5.4 仿真与结果分析 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 6.1 本文工作总结 | 第53页 |
| 6.2 进一步研究展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |