| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 移动机器人研究现状 | 第12-14页 |
| 1.2.1 国内外移动机器人研究现状 | 第12-13页 |
| 1.2.2 基于ROS的移动机器人研究现状 | 第13-14页 |
| 1.3 路径规划技术研究现状 | 第14-17页 |
| 1.3.1 传统路径规划算法 | 第15页 |
| 1.3.2 启发式算法 | 第15-16页 |
| 1.3.3 智能仿生路径规划算法 | 第16-17页 |
| 1.4 论文的主要研究内容 | 第17-19页 |
| 第二章 基于ROS的移动机器人控制系统搭建 | 第19-34页 |
| 2.1 引言 | 第19页 |
| 2.2 ROBOTIC OPERATING SYSTEM简介 | 第19-21页 |
| 2.2.1 ROS的目标及特点 | 第19-20页 |
| 2.2.2 移动机器人ROS结构的组成 | 第20-21页 |
| 2.3 移动机器人运动学模型分析 | 第21-23页 |
| 2.3.1 机器人差速模型分析 | 第21-22页 |
| 2.3.2 移动机器人里程计模型分析 | 第22-23页 |
| 2.4 移动机器人总体设计 | 第23-30页 |
| 2.4.1 移动机器人运动控制系统设计 | 第23-26页 |
| 2.4.2 传感器的选择 | 第26页 |
| 2.4.3 移动机器人ROS软件系统搭建 | 第26-30页 |
| 2.5 移动机器人跟踪实验 | 第30-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 基于改进蚁群算法的全局路径规划方法研究 | 第34-51页 |
| 3.1 引言 | 第34页 |
| 3.2 全局路径规划环境描述 | 第34-37页 |
| 3.3 基本蚁群算法 | 第37-40页 |
| 3.3.1 蚁群算法基本原理 | 第37-39页 |
| 3.3.2 蚁群算法在路径规划中的运用 | 第39-40页 |
| 3.4 基于改进蚁群算法的全局路径规划 | 第40-47页 |
| 3.4.1 初始信息素分布 | 第40-42页 |
| 3.4.2 算法模型的改进 | 第42-43页 |
| 3.4.3 避免陷入局部最优 | 第43-44页 |
| 3.4.4 生成路径的优化 | 第44-45页 |
| 3.4.5 算法的实现 | 第45-47页 |
| 3.5 仿真实验与分析 | 第47-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于人工势场法的局部路径规划方法研究 | 第51-66页 |
| 4.1 引言 | 第51页 |
| 4.2 人工势场法简介 | 第51-53页 |
| 4.2.1 经典的人工势场法 | 第51-52页 |
| 4.2.2 改进的人工势场法 | 第52-53页 |
| 4.3 跟随全局路径策略 | 第53-59页 |
| 4.3.1 局部目标点的确立 | 第53-55页 |
| 4.3.2 引力势函数的改进 | 第55-56页 |
| 4.3.3 引力增益系数自适应调节 | 第56-57页 |
| 4.3.4 仿真实验与分析 | 第57-59页 |
| 4.4 避开动态障碍物策略 | 第59-62页 |
| 4.4.1 动态斥力势函数的确定 | 第59-61页 |
| 4.4.2 解决局部稳定问题 | 第61-62页 |
| 4.5 算法的实现 | 第62-65页 |
| 4.5.1 算法流程 | 第62-63页 |
| 4.5.2 仿真结果 | 第63-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 实验及结果分析 | 第66-73页 |
| 5.1 引言 | 第66页 |
| 5.2 移动机器人系统架构 | 第66-67页 |
| 5.3 移动机器人路径规划实验 | 第67-71页 |
| 5.3.1 单个障碍物路径规划实验 | 第68-69页 |
| 5.3.2 多个障碍物路径规划实验 | 第69-70页 |
| 5.3.3 动态障碍物路径规划实验 | 第70-71页 |
| 5.3.4 高动态障碍物路径规划实验 | 第71页 |
| 5.4 本章小结 | 第71-73页 |
| 第六章 结论与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读学位期间本人出版或公开发表的论著、论文 | 第79-80页 |
| 致谢 | 第80-81页 |