复杂野外环境下机器人障碍物检测方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 图目录 | 第8-10页 |
| 表目录 | 第10-13页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究意义和背景 | 第13-14页 |
| 1.2 智能移动机器人发展现状 | 第14-18页 |
| 1.2.1 机器人整体研究发展现状 | 第14-17页 |
| 1.2.2 环境感知及传感器发展现状 | 第17-18页 |
| 1.3 障碍物检测研究现状 | 第18-21页 |
| 1.3.1 基于视觉的障碍物检测 | 第18-19页 |
| 1.3.2 基于激光雷达的障碍物检测 | 第19-20页 |
| 1.3.3 其他障碍物检测方法 | 第20-21页 |
| 1.4 植被环境中的障碍检测方法 | 第21-23页 |
| 1.5 论文组织结构 | 第23-24页 |
| 第二章 基于激光雷达的障碍检测 | 第24-40页 |
| 2.1 激光雷达数据表示与处理 | 第24-30页 |
| 2.1.1 点云坐标转换与强度值校正 | 第25-28页 |
| 2.1.2 基于笛卡尔坐标栅格地图的点云表示 | 第28-29页 |
| 2.1.3 基于极坐标栅格的点云表示 | 第29-30页 |
| 2.2 野外环境下的障碍检测 | 第30-40页 |
| 2.2.1 整体框架 | 第31页 |
| 2.2.2 基于栅格的凸障碍检测 | 第31-32页 |
| 2.2.3 深沟、侧斜坡检测 | 第32-34页 |
| 2.2.4 水体检测 | 第34-35页 |
| 2.2.5 地图未知区域分类 | 第35-38页 |
| 2.2.6 实验结果 | 第38-40页 |
| 第三章 植被的三维与多谱特征分析 | 第40-51页 |
| 3.1 多传感器数据融合 | 第40-43页 |
| 3.1.1 多传感器系统构成 | 第40-42页 |
| 3.1.2 摄像机与激光雷达联合标定 | 第42-43页 |
| 3.1.3 像素级数据融合 | 第43页 |
| 3.2 点云分布特征 | 第43-45页 |
| 3.3 多光谱特征 | 第45-51页 |
| 3.3.1 归一化植被差分指数 | 第45-47页 |
| 3.3.2 新的植被分类多谱特征 | 第47-51页 |
| 第四章 植被环境中障碍物检测 | 第51-62页 |
| 4.1 算法概述 | 第51-52页 |
| 4.2 红外光强归一化 | 第52-53页 |
| 4.3 特征信息加权 | 第53-54页 |
| 4.4 基于高斯混合模型的分类策略 | 第54-58页 |
| 4.5 实验分析 | 第58-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 攻读硕士期间取得的成果 | 第71页 |
