| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 机器人路径规划的研究现状 | 第15页 |
| 1.2.2 深度学习与强化学习的研究现状 | 第15-17页 |
| 1.3 论文的主要贡献与创新 | 第17-18页 |
| 1.4 本论文的结构安排 | 第18-20页 |
| 第二章 相关理论介绍 | 第20-27页 |
| 2.1 深度学习 | 第20-23页 |
| 2.1.1 深度置信网络 | 第20-22页 |
| 2.1.2 卷积神经网络 | 第22-23页 |
| 2.1.3 残差网络 | 第23页 |
| 2.2 强化学习 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 结合先验知识的深度Q神经网络算法研究 | 第27-36页 |
| 3.1 研究方法 | 第27页 |
| 3.2 深度Q神经网络算法 | 第27-29页 |
| 3.3 先验知识的提出与定义 | 第29-30页 |
| 3.4 结合先验知识的深度Q神经网络算法模型 | 第30-31页 |
| 3.5 实验验证 | 第31-35页 |
| 3.5.1 实验设计 | 第32页 |
| 3.5.2 实验环境 | 第32页 |
| 3.5.3 参数设置 | 第32-33页 |
| 3.5.4 实验结果与对比分析 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于结合先验知识的深度Q神经网络算法的室内机器人路径规划模型研究 | 第36-53页 |
| 4.1 研究方法 | 第36-37页 |
| 4.2 模型建立 | 第37-42页 |
| 4.2.1 室内机器人路径规划的先验知识提出 | 第39-40页 |
| 4.2.2 机器人动作选择规则 | 第40-41页 |
| 4.2.3 奖励函数设计 | 第41-42页 |
| 4.3 室内环境仿真场景搭建 | 第42-47页 |
| 4.3.1 ROS机器人开发平台 | 第42-43页 |
| 4.3.2 RVIZ和Gazebo开源仿真软件 | 第43-44页 |
| 4.3.3 仿真环境建立 | 第44-46页 |
| 4.3.4 仿真环境数据获取 | 第46-47页 |
| 4.4 基于ROS的室内机器人设计 | 第47-49页 |
| 4.5 实验验证 | 第49-52页 |
| 4.5.1 实验平台 | 第49-50页 |
| 4.5.2 实验结果与分析 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第58-59页 |