基于机器学习的机器人行为控制关键技术研究
学位论文数据集 | 第3-4页 |
摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第14-28页 |
1.1 课题的研究背景及意义 | 第14-15页 |
1.2 基于视觉的移动机器人的研究现状 | 第15-24页 |
1.2.1 视觉移动机器人的研究现状 | 第15-17页 |
1.2.2 机器视觉与目标检测定位的研究现状 | 第17-21页 |
1.2.3 机器学习与机器人控制的研究现状 | 第21-24页 |
1.2.4 当前存在的问题分析 | 第24页 |
1.3 论文的主要研究内容及组织结构 | 第24-28页 |
1.3.1 主要研究内容 | 第24-25页 |
1.3.2 论文结构 | 第25-28页 |
第二章 移动机器人整体方案设计 | 第28-42页 |
2.1 引言 | 第28页 |
2.2 移动机器人平台的需求分析 | 第28-29页 |
2.2.1 铲运机器人的应用场景分析 | 第28页 |
2.2.2 铲运机器人的需求分析和整体架构 | 第28-29页 |
2.3 移动机器人平台的硬件方案设计 | 第29-35页 |
2.4 移动机器人平台的软件方案设计 | 第35-36页 |
2.5 移动机器人平台的无线通讯模块设计 | 第36-39页 |
2.5.1 无线通讯模块总体方案 | 第36-37页 |
2.5.2 传输信息的编码方案设计 | 第37-38页 |
2.5.3 无线通讯模块实现 | 第38-39页 |
2.6 机械臂抖动修正实验 | 第39-41页 |
2.7 本章小结 | 第41-42页 |
第三章 移动机器人行为模型的设计与构建 | 第42-52页 |
3.1 引言 | 第42页 |
3.2 传统的行为模型及问题 | 第42-43页 |
3.3 基于行为树的分层行为模型设计 | 第43-47页 |
3.3.1 分层行为模型设计 | 第43-45页 |
3.3.2 行为树动态调度算法设计 | 第45-47页 |
3.4 铲运机器人分层行为模型的建立 | 第47-51页 |
3.4.1 建立基础动作和行为库 | 第47-48页 |
3.4.2 建立机器人导航的行为树 | 第48-50页 |
3.4.3 子树间的通讯与数据共享的实现 | 第50-51页 |
3.5 本章小结 | 第51-52页 |
第四章 行为控制中基于深度学习的目标检测 | 第52-70页 |
4.1 引言 | 第52页 |
4.2 基于深度可分解卷积神经网络的目标检测算法 | 第52-59页 |
4.2.1 卷积神经网络结构设计 | 第52-55页 |
4.2.2 非极大抑制算法去除冗余结果 | 第55-56页 |
4.2.3 卷积神经网络计算过程 | 第56-58页 |
4.2.4 迁移学习 | 第58-59页 |
4.3 目标检测模型的训练 | 第59-63页 |
4.3.1 准备训练数据 | 第59-61页 |
4.3.2 模型训练 | 第61-62页 |
4.3.3 目标检测模型的验证 | 第62-63页 |
4.4 目标检测模型的应用 | 第63-66页 |
4.4.1 视频流重采样 | 第63-65页 |
4.4.2 目标检测模型的应用流程 | 第65-66页 |
4.5 目标检测实验 | 第66-69页 |
4.5.1 检视行为中的目标检测 | 第66-68页 |
4.5.2 机械臂运动中的目标检测 | 第68-69页 |
4.6 本章小结 | 第69-70页 |
第五章 移动机器人自主行为控制和行为学习 | 第70-86页 |
5.1 引言 | 第70页 |
5.2 基于行为树和视觉反馈的自主行为控制 | 第70-78页 |
5.2.1 基于视觉反馈的导航控制问题分析 | 第70-73页 |
5.2.2 基于行为树的导航算法设计 | 第73-74页 |
5.2.3 基于行为树的铲运行为决策算法设计 | 第74-76页 |
5.2.4 基于行为树的自主行为控制实验 | 第76-78页 |
5.3 基于随机森林的行为学习 | 第78-84页 |
5.3.1 基于随机森林的行为学习算法设计 | 第78-80页 |
5.3.2 行为学习算法实验 | 第80-84页 |
5.4 本章小结 | 第84-86页 |
第六章 总结与展望 | 第86-88页 |
6.1 总结 | 第86页 |
6.2 展望 | 第86-88页 |
参考文献 | 第88-92页 |
致谢 | 第92-94页 |
研究成果及发表的学术论文 | 第94-96页 |
作者及导师简介 | 第96-98页 |
附件 | 第98-99页 |