基于强化学习的自主移动机器人导航研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·选题背景及意义 | 第9页 |
| ·移动机器人导航研究现状 | 第9-11页 |
| ·移动机器人导航方式 | 第10页 |
| ·智能方法应用于导航 | 第10-11页 |
| ·强化学习的研究与应用 | 第11-13页 |
| ·强化学习的发展历史和研究现状 | 第12页 |
| ·强化学习的应用进展 | 第12-13页 |
| ·本文主要研究内容 | 第13-14页 |
| ·论文框架 | 第14-16页 |
| 第2章 强化学习理论 | 第16-22页 |
| ·Markov 决策过程与强化学习 | 第16-18页 |
| ·Markov 决策过程 | 第16-17页 |
| ·强化学习系统的结构模型 | 第17-18页 |
| ·强化学习系统的基本要素 | 第18页 |
| ·瞬时差分算法 | 第18-19页 |
| ·Q 学习算法 | 第19-21页 |
| ·Q 学习基本算法 | 第19-20页 |
| ·Q 学习算法的收敛性分析 | 第20页 |
| ·Q 函数实现方式 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于强化学习的自主机器人导航系统设计 | 第22-27页 |
| ·基于强化学习的机器人导航系统框架 | 第22页 |
| ·机器人强化学习要素设计 | 第22-25页 |
| ·环境状态表示 | 第22-23页 |
| ·动作空间表示 | 第23页 |
| ·奖赏函数设计 | 第23-24页 |
| ·动作选择策略 | 第24-25页 |
| ·基于Q 学习的机器人导航系统设计 | 第25-26页 |
| ·基于Q 学习的机器人导航流程图 | 第25页 |
| ·基于Q 学习的机器人导航算法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第4章 基于Q 学习和粗糙集的机器人导航系统设计 | 第27-38页 |
| ·粗糙集理论综述 | 第27-28页 |
| ·粗糙集理论的产生与发展 | 第27-28页 |
| ·粗糙集理论应用进展 | 第28页 |
| ·粗糙集基本概念 | 第28-31页 |
| ·知识与等价关系 | 第28-29页 |
| ·信息系统与决策表 | 第29页 |
| ·属性约简 | 第29-30页 |
| ·规则提取 | 第30-31页 |
| ·一致性和不一致性 | 第31页 |
| ·机器人初始避障决策表构建 | 第31-32页 |
| ·机器人初始避障决策表化简 | 第32-34页 |
| ·基于改进区分矩阵的属性约简方法 | 第32-33页 |
| ·初始避障决策表的规则提取 | 第33-34页 |
| ·基于Q 学习和粗糙集的移动机器人导航实验 | 第34-37页 |
| ·仿真软件TeamBots 介绍 | 第34页 |
| ·导航算法流程图 | 第34页 |
| ·导航算法 | 第34-35页 |
| ·实验结果及分析 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第5章 基于RBF 神经网络的强化学习导航系统 | 第38-45页 |
| ·RBF 神经网络的结构及基本原理 | 第38-40页 |
| ·RBF 神经网络的结构 | 第39页 |
| ·RBF 神经网络基本原理 | 第39-40页 |
| ·RBF 神经网络学习方法 | 第40页 |
| ·RBF 神经网络隐含层学习 | 第40页 |
| ·RBF 神经网络输出层的权值学习 | 第40页 |
| ·基于RBF 神经网络的Q 学习导航系统设计 | 第40-41页 |
| ·RBF 神经网络的输入输出 | 第40-41页 |
| ·强化函数定义 | 第41页 |
| ·样本集生成 | 第41页 |
| ·基于RBF 神经网络的Q 学习机器人导航实验 | 第41-43页 |
| ·基于RBF 神经网络的Q 学习导航算法 | 第41-42页 |
| ·仿真结果及分析 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 总结 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 在学期间公开发表论文及著作情况 | 第51页 |
