基于深度Q学习的低压电器卡合装配技术研究
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 课题背景及意义 | 第14-16页 |
| 1.2 机器人轴孔装配研究现状 | 第16-20页 |
| 1.2.1 轴孔装配技术研究现状 | 第16-19页 |
| 1.2.2 轴孔装配控制方法研究现状 | 第19-20页 |
| 1.3 低压电器装配研究现状 | 第20-21页 |
| 1.4 论文的结构 | 第21-22页 |
| 第2章 低压电器柔顺装配系统组成及建模 | 第22-34页 |
| 2.1 柔顺装配系统组成 | 第22页 |
| 2.2 七自由度LBR-iiwa机器人 | 第22-27页 |
| 2.2.1 库卡iiwa机器人 | 第22-23页 |
| 2.2.2 机器人D-H参数表 | 第23-25页 |
| 2.2.3 运动学分析 | 第25-27页 |
| 2.3 柔顺装配过程 | 第27-33页 |
| 2.3.1 装配流程 | 第27-29页 |
| 2.3.2 装配气爪设计 | 第29-30页 |
| 2.3.3 装配过程分析 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 深度Q学习算法理论 | 第34-44页 |
| 3.1 引言 | 第34页 |
| 3.2 深度前馈网络理论 | 第34-38页 |
| 3.2.1 网络结构 | 第35-36页 |
| 3.2.2 网络训练方式 | 第36-38页 |
| 3.3 Q学习理论 | 第38-42页 |
| 3.3.1 马尔可夫决策过程 | 第39-40页 |
| 3.3.2 目标函数 | 第40-41页 |
| 3.3.3 值函数 | 第41-42页 |
| 3.4 深度Q学习理论 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于深度Q学习的装配算法研究 | 第44-54页 |
| 4.1 装配过程的马尔科夫建模 | 第44-48页 |
| 4.1.1 装配过程环境模型 | 第44页 |
| 4.1.2 装配过程动作模型 | 第44-46页 |
| 4.1.3 装配过程状态模型 | 第46页 |
| 4.1.4 装配过程回报系统 | 第46-48页 |
| 4.2 基于深度Q学习装配算法设计 | 第48-52页 |
| 4.2.1 装配动作策略网络 | 第48-50页 |
| 4.2.2 主动力感知优化模型 | 第50-51页 |
| 4.2.3 算法伪代码设计 | 第51-52页 |
| 4.3 本章小结 | 第52-54页 |
| 第5章 基于Gazebo的装配仿真环境搭建与实验 | 第54-70页 |
| 5.1 仿真系统开发环境 | 第54-57页 |
| 5.1.1 Gazebo物理仿真平台 | 第54-55页 |
| 5.1.2 ROS操作系统 | 第55-56页 |
| 5.1.3 TensorFlow软件库 | 第56-57页 |
| 5.2 仿真平台系统搭建 | 第57-63页 |
| 5.2.1 装配系统模型仿真 | 第57-59页 |
| 5.2.2 系统运动控制仿真 | 第59-62页 |
| 5.2.3 装配算法控制仿真 | 第62-63页 |
| 5.3 实验及仿真结果 | 第63-69页 |
| 5.3.1 实验描述 | 第63-64页 |
| 5.3.2 评价模型结果分析 | 第64-66页 |
| 5.3.3 装配仿真过程分析 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士期间参与的项目 | 第80-81页 |
| 学位论文评阅及答辩情况表 | 第81页 |
