扫雪机器人障碍物检测与识别方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 本课题国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 1.4 本文各章节内容及安排 | 第13-14页 |
| 2 扫雪机器人实验平台 | 第14-20页 |
| 2.1 扫雪机器人总体结构 | 第14-15页 |
| 2.2 控制决策系统 | 第15-16页 |
| 2.3 环境感知系统 | 第16-18页 |
| 2.4 主要工作模式 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 基于超声测距原理的障碍物检测 | 第20-28页 |
| 3.1 检测系统功能实现 | 第20-23页 |
| 3.1.1 检测系统设计 | 第20-21页 |
| 3.1.2 超声波测距的基本原理 | 第21-22页 |
| 3.1.3 系统测试和问题分析 | 第22-23页 |
| 3.2 检测系统优化 | 第23-26页 |
| 3.2.1 处理探头余震 | 第23-24页 |
| 3.2.2 处理强干扰信号 | 第24-26页 |
| 3.3 障碍物检测测试 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 4 基于深度学习的障碍物识别 | 第28-48页 |
| 4.1 深度学习概述 | 第28-34页 |
| 4.1.1 caffe框架简介 | 第28-29页 |
| 4.1.2 基本算法 | 第29-32页 |
| 4.1.3 梯度下降优化方法 | 第32-34页 |
| 4.2 制作目标检测数据集 | 第34-35页 |
| 4.3 目标检测算法 | 第35-44页 |
| 4.3.1 SSD算法的基本结构 | 第35-37页 |
| 4.3.2 SSD算法的优点 | 第37-39页 |
| 4.3.3 算法训练及优化 | 第39-44页 |
| 4.4 障碍物识别测试 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于深度摄像头的障碍物距离测量 | 第48-58页 |
| 5.1 kinect深度摄像头结构 | 第48-49页 |
| 5.2 摄像头标定与配准 | 第49-52页 |
| 5.3 障碍物距离测量 | 第52-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |
| A.作者在攻读硕士学位期间申请的专利 | 第66页 |
| B.作者在攻读硕士学位期间参与的项目 | 第66页 |
