| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 引言 | 第14页 |
| 1.2 研究背景与研究意义 | 第14-17页 |
| 1.3 移动机器人的环境建模 | 第17-19页 |
| 1.3.1 度量地图 | 第17-18页 |
| 1.3.2 拓扑地图 | 第18页 |
| 1.3.3 混合地图 | 第18-19页 |
| 1.4 认知地图 | 第19-22页 |
| 1.4.1 认知地图在人脑中的三个发展阶段 | 第20-21页 |
| 1.4.2 认知地图的生物神经学基础 | 第21-22页 |
| 1.5 移动机器人导航 | 第22-24页 |
| 1.5.1 导航概念的起源 | 第22页 |
| 1.5.2 机器人导航的定义 | 第22页 |
| 1.5.3 定位 | 第22页 |
| 1.5.4 路径规划 | 第22-24页 |
| 1.6 生物导航 | 第24-26页 |
| 1.6.1 生物导航的定义 | 第24页 |
| 1.6.2 生物导航的两个组成部分：移动与寻路 | 第24-25页 |
| 1.6.3 人类的寻路策略 | 第25页 |
| 1.6.4 导航策略的分类 | 第25-26页 |
| 1.7 本文研究内容和结构安排 | 第26-30页 |
| 第2章 基于GNG网络的可行区域知识提取 | 第30-48页 |
| 2.1 引言 | 第30页 |
| 2.2 Growing Neural Gas网络 | 第30-34页 |
| 2.2.1 GNG网络的概念 | 第30-31页 |
| 2.2.2 GNG网络的参数定义 | 第31页 |
| 2.2.3 GNG网络的生成算法 | 第31-32页 |
| 2.2.4 连续型分布和离散型分布中的GNG网络生成 | 第32-34页 |
| 2.3 环境的地图模型与知识提取 | 第34-37页 |
| 2.3.1 环境地图模型 | 第34-36页 |
| 2.3.2 环境地图的整体性知识提取过程 | 第36-37页 |
| 2.4 可行区域拓扑网络的即时创建 | 第37-40页 |
| 2.4.1 基于二维高斯点集的可达区域知识提取 | 第37-38页 |
| 2.4.2 基于GNG网络的可行区域拓扑网络生成算法 | 第38-40页 |
| 2.5 实验分析 | 第40-46页 |
| 2.5.1 仿真实验及分析 | 第40-44页 |
| 2.5.2 物理实验及分析 | 第44-46页 |
| 2.6 小结 | 第46-48页 |
| 第3章 基于泡状体人工势场的移动机器人快速避障方法 | 第48-62页 |
| 3.1 引言 | 第48页 |
| 3.2 泡状体人工势场(B-APF) | 第48-51页 |
| 3.2.1 B-APF的引入 | 第48-49页 |
| 3.2.2 B-APF的数学模型 | 第49-51页 |
| 3.3 基于B-APF的移动机器人避障策略 | 第51-53页 |
| 3.3.1 机器人运动学模型及参数定义 | 第51-53页 |
| 3.3.2 基于B-APF的避障决策设计 | 第53页 |
| 3.4 仿真实验与分析 | 第53-60页 |
| 3.4.1 静态障碍物环境下的避障 | 第53-56页 |
| 3.4.2 静态环境下与常规APF避障效果的对比分析 | 第56-58页 |
| 3.4.3 动态障碍物环境下的避障 | 第58-60页 |
| 3.5 结论 | 第60-62页 |
| 第4章 混合超图与区域化的空间知识表示 | 第62-78页 |
| 4.1 引言 | 第62页 |
| 4.2 空间知识表示 | 第62-63页 |
| 4.3 超图与混合超图 | 第63-66页 |
| 4.4 区域化的空间知识模型 | 第66-73页 |
| 4.4.1 空间对象的定义 | 第66-68页 |
| 4.4.2 基于区域的空间知识模型表示 | 第68-70页 |
| 4.4.3 空间对象间邻接关系与判定准则 | 第70页 |
| 4.4.4 具有邻接与包含关系的RSK-Model模型的构建 | 第70-71页 |
| 4.4.5 基于RCC理论的拓扑关系 | 第71-72页 |
| 4.4.6 RSK-Model模型的优势 | 第72-73页 |
| 4.5 超边与空间对象间的关系 | 第73-75页 |
| 4.5.1 超包含拓扑关系 | 第73-74页 |
| 4.5.2 超分离拓扑关系 | 第74页 |
| 4.5.3 超外切拓扑关系 | 第74页 |
| 4.5.4 超部分重叠拓扑关系 | 第74-75页 |
| 4.5.5 超相等拓扑关系 | 第75页 |
| 4.6 空间知识表述的应用举例 | 第75-76页 |
| 4.7 小结 | 第76-78页 |
| 第5章 基于区域空间知识模型的在线快速寻路策略 | 第78-98页 |
| 5.1 引言 | 第78页 |
| 5.2 问题提出 | 第78-79页 |
| 5.3 “由精到粗”的寻路算法及导航机制 | 第79-84页 |
| 5.3.1 “由精到粗”路径的描述 | 第79-80页 |
| 5.3.2 FTC-A~*算法 | 第80-83页 |
| 5.3.3 基于“由精到粗”寻路算法的导航机制 | 第83-84页 |
| 5.4 仿真研究 | 第84-95页 |
| 5.4.1 仿真平台 | 第84-85页 |
| 5.4.2 性能指标 | 第85页 |
| 5.4.3 基于FTC-A~*算法的导航过程仿真 | 第85-86页 |
| 5.4.4 参数d对规划性能的影响 | 第86-89页 |
| 5.4.5 大规模环境下的算法性能比较分析 | 第89-91页 |
| 5.4.6 大规模复杂环境下的算法性能比较分析 | 第91-93页 |
| 5.4.7 目的地动态更改时的仿真分析 | 第93-95页 |
| 5.5 小结 | 第95-98页 |
| 第6章 受人类导航机制启发的移动机器人导航系统 | 第98-126页 |
| 6.1 引言 | 第98-99页 |
| 6.2 定性空间知识表示 | 第99-107页 |
| 6.2.1 基于Mereotopology理论的区域间拓扑关系描述 | 第99-101页 |
| 6.2.2 基于EMBR模型的区域间方位关系 | 第101页 |
| 6.2.3 基于区域方位关系与拓扑关系的混合关系 | 第101-102页 |
| 6.2.4 从属约束嵌套图与定性空间知识模型 | 第102-105页 |
| 6.2.5 一个家居环境的空间知识描述实例 | 第105-107页 |
| 6.3 受人类导航机制启发的机器人导航系统 | 第107-117页 |
| 6.3.1 人类导航机制 | 第107-109页 |
| 6.3.2 导航系统设计 | 第109-117页 |
| 6.3.2.1 系统框架 | 第109-111页 |
| 6.3.2.2 自我定位 | 第111-112页 |
| 6.3.2.3 自体信息位置估计与非我信息位置校准 | 第112-114页 |
| 6.3.2.4 全局路径规划 | 第114页 |
| 6.3.2.5 环境感知与局部运动规划 | 第114-117页 |
| 6.3.2.6 最近目标生成与执行 | 第117页 |
| 6.4 实验分析 | 第117-124页 |
| 6.4.1 室内环境下仿真分析 | 第117-120页 |
| 6.4.2 室外环境下的实验分析 | 第120-124页 |
| 6.5 小结 | 第124-126页 |
| 第7章 总结与展望 | 第126-130页 |
| 7.1 本文工作总结 | 第126-127页 |
| 7.2 工作展望 | 第127-130页 |
| 参考文献 | 第130-144页 |
| 致谢 | 第144-145页 |
| 作者在攻读博士学位期间完成的论文 | 第145页 |
| 专利和软件著作权 | 第145-146页 |
| 作者在攻读博士学位期间参与的科研项目 | 第146页 |
