| 附件 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-15页 |
| 第一章 绪论 | 第15-30页 |
| ·课题的研究背景与意义 | 第15-18页 |
| ·研究现状介绍 | 第18-27页 |
| ·国外研究现状 | 第18-26页 |
| ·国内研究现状 | 第26-27页 |
| ·存在的问题与本文的主要工作 | 第27-28页 |
| ·章节安排 | 第28-30页 |
| 第二章 基于稀疏特征表达的物体模型库的创建 | 第30-50页 |
| ·引言 | 第30-32页 |
| ·准备和相关定义 | 第32-38页 |
| ·RGB-D 传感器的成像模型 | 第32-34页 |
| ·刚体变换与旋转表示 | 第34-36页 |
| ·尺度不变特征变换 | 第36-38页 |
| ·物体模型库的创建 | 第38-47页 |
| ·传感器的自运动估计 | 第38-40页 |
| ·物体分割 | 第40-43页 |
| ·点云后处理与模型生成 | 第43-47页 |
| ·实验与讨论 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 面向服务机器人抓取的物体识别与六自由度位姿计算 | 第50-82页 |
| ·物体识别概述 | 第50-53页 |
| ·局部不变特征 | 第53-61页 |
| ·特征点检测子 | 第53-56页 |
| ·特征描述子 | 第56-58页 |
| ·基于局部不变特征的物体识别 | 第58-61页 |
| ·基于局部朴素贝叶斯最近邻的物体粗识别 | 第61-64页 |
| ·问题描述 | 第61页 |
| ·朴素贝叶斯最近邻 | 第61-62页 |
| ·局部朴素贝叶斯最近邻 | 第62-64页 |
| ·由粗到细的物体识别算法框架 | 第64-73页 |
| ·数据采集与场景分割 | 第64-66页 |
| ·粗识别 | 第66-67页 |
| ·精细识别 | 第67-70页 |
| ·六自由度位姿计算 | 第70页 |
| ·假设验证与物体合并 | 第70-72页 |
| ·基于单目视觉的位姿计算 | 第72-73页 |
| ·实验与讨论 | 第73-80页 |
| ·本章小结 | 第80-82页 |
| 第四章 服务机器人抓取规划 | 第82-110页 |
| ·抓取姿态生成策略 | 第82-90页 |
| ·引言 | 第82-84页 |
| ·任务空间区域 | 第84-86页 |
| ·基于高斯混合模型的可达方位分布建模 | 第86-88页 |
| ·基于高斯混合模型的抓取姿态生成 | 第88-89页 |
| ·仿真实验与分析 | 第89-90页 |
| ·机器人运动规划 | 第90-108页 |
| ·机器人运动规划简介 | 第90-92页 |
| ·基于随机采样的运动规划算法 | 第92-94页 |
| ·基于高斯混合模型的多目标快速扩展随机树 | 第94-99页 |
| ·移动抓取规划 | 第99-108页 |
| ·本章小结 | 第108-110页 |
| 第五章 服务机器人智能抓取实验 | 第110-124页 |
| ·服务机器人硬件系统 | 第110-111页 |
| ·服务机器人软件系统 | 第111-116页 |
| ·模块化软件系统设计 | 第112-114页 |
| ·交互层 | 第114页 |
| ·规划与执行层 | 第114-115页 |
| ·感知层 | 第115-116页 |
| ·智能抓取实验 | 第116-122页 |
| ·基座固定的抓取实验 | 第117-119页 |
| ·移动抓取实验 | 第119-122页 |
| ·实验总结 | 第122-123页 |
| ·本章小结 | 第123-124页 |
| 第六章 总结与展望 | 第124-127页 |
| ·研究总结 | 第124-125页 |
| ·主要创新点 | 第125-126页 |
| ·研究展望 | 第126-127页 |
| 参考文献 | 第127-139页 |
| 附录一 符号与标记 | 第139-140页 |
| 攻读博士学位期间已发表或录用的论文 | 第140-141页 |
| 申请国家发明专利 | 第141页 |
| 攻读博士学位期间参与的科研项目 | 第141-142页 |
| 致谢 | 第142-143页 |