| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 强化学习简介 | 第8-9页 |
| 1.2.2 强化学习发展历史 | 第9-10页 |
| 1.2.3 强化学习在机器人中的应用 | 第10-13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 本文的结构 | 第13-16页 |
| 2 机械臂避障算法及其相关理论 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 机械臂避障算法发展过程 | 第16-18页 |
| 2.2.1 A*算法 | 第16页 |
| 2.2.2 人工势场法 | 第16-17页 |
| 2.2.3 快速扩展随机树算法 | 第17页 |
| 2.2.4 遗传算法和蚁群算法 | 第17-18页 |
| 2.3 相关技术理论 | 第18-24页 |
| 2.3.1 机械臂运动学模型 | 第18-21页 |
| 2.3.2 机械臂轨迹规划 | 第21-22页 |
| 2.3.3 机械臂动力学模型 | 第22-23页 |
| 2.3.4 机械臂闭环控制 | 第23-24页 |
| 2.4 基于卡尔曼滤波的机械臂运动控制 | 第24-26页 |
| 2.4.1 卡尔曼滤波算法 | 第24-25页 |
| 2.4.2 卡尔曼滤波在机械臂运动控制中的实现 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 强化学习理论及算法 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 强化学习原理与结构 | 第28-29页 |
| 3.3 强化学习的组成要素 | 第29-30页 |
| 3.3.1 策略 | 第29页 |
| 3.3.2 奖励函数 | 第29页 |
| 3.3.3 价值函数 | 第29-30页 |
| 3.3.4 环境模型 | 第30页 |
| 3.4 Q-学习算法 | 第30-34页 |
| 3.4.1 马尔科夫决策过程(MDP) | 第30-31页 |
| 3.4.2 Q-学习算法基本原理 | 第31-34页 |
| 3.5 Q-学习应用案例 | 第34-36页 |
| 3.6 本章小结 | 第36-38页 |
| 4 Q-学习在机械臂避障行为中的应用 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 机械臂避障系统框架 | 第38-41页 |
| 4.3 机械臂状态获取及动作执行过程 | 第41-43页 |
| 4.3.1 机械臂状态的获取 | 第41页 |
| 4.3.2 机械臂动作执行过程 | 第41-43页 |
| 4.4 动作选择策略 | 第43-44页 |
| 4.5 奖励函数的设计 | 第44-45页 |
| 4.6 算法流程 | 第45-47页 |
| 4.7 本章小结 | 第47-48页 |
| 5 实验过程与结果分析 | 第48-66页 |
| 5.1 引言 | 第48页 |
| 5.2 机械臂避障轨迹对比实验 | 第48-57页 |
| 5.2.1 实验场景一 | 第48-53页 |
| 5.2.2 实验场景二 | 第53-57页 |
| 5.3 机械臂运动控制实验 | 第57-60页 |
| 5.4 学习控制器在DobotMagician上的实现 | 第60-65页 |
| 5.4.1 实验平台介绍 | 第60-61页 |
| 5.4.2 实验过程 | 第61-65页 |
| 5.5 总结 | 第65-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74页 |