基于多传感器信息融合的智能机器人研究与设计
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究目的与意义 | 第15-16页 |
| 1.2 机器人国内外研究现状 | 第16-19页 |
| 1.2.1 基于多传感器融合移动机器人研究现状 | 第16-18页 |
| 1.2.2 智能机器人在工业生产中的应用研究 | 第18-19页 |
| 1.3 本文完成的主要工作 | 第19-20页 |
| 1.4 论文结构安排 | 第20-21页 |
| 第二章 系统硬件结构设计 | 第21-31页 |
| 2.1 系统结构研究设计 | 第21-22页 |
| 2.2 双传感器数据采集的优点 | 第22页 |
| 2.3 红外传感器 | 第22-25页 |
| 2.3.1 红外传感器选择 | 第22-24页 |
| 2.3.2 红外传感器距离计算 | 第24-25页 |
| 2.3.3 红外传感器实验数据 | 第25页 |
| 2.4 超声波传感器 | 第25-28页 |
| 2.4.1 超声波传感器选择 | 第26-28页 |
| 2.4.2 超声波传感器实验数据 | 第28页 |
| 2.5 总体硬件设计 | 第28-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 视觉传感器数据采集及障碍物检测 | 第31-41页 |
| 3.1 视觉传感器数据采集 | 第31-32页 |
| 3.1.1 机器人视觉导航的研究意义与现状 | 第31-32页 |
| 3.1.2 智能机器人视觉导航的关键技术 | 第32页 |
| 3.2 基于视觉传感器障碍物检测 | 第32-39页 |
| 3.2.1 概述 | 第32-33页 |
| 3.2.2 视差分析 | 第33-35页 |
| 3.2.3 视差与深度感知计算 | 第35-36页 |
| 3.2.4 粒子群算法 | 第36-39页 |
| 3.3 本章小结 | 第39-41页 |
| 第四章 多传感器融合技术 | 第41-61页 |
| 4.1 数据预处理 | 第41-44页 |
| 4.2 数据的野值检测和排除 | 第44-50页 |
| 4.3 多传感器融合 | 第50-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 基于信息融合技术的智能机器人控制 | 第61-71页 |
| 5.1 智能机器人控制的基本模型 | 第61-62页 |
| 5.2 蚁群优化(ACO)算法和路径规划的实现 | 第62-65页 |
| 5.3 实验结果分析 | 第65-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 下一步工作与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
