基于超声波与视觉定位的智能小车导航技术研究
摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第10-20页 |
1.1 课题的研究的背景 | 第10-11页 |
1.2 智能车国内外研究现状 | 第11-13页 |
1.3 室内定位技术概述 | 第13-16页 |
1.4 机器人视觉技术概述 | 第16-18页 |
1.5 课题主要研究内容及论文结构安排 | 第18-20页 |
1.5.1 课题主要研究内容 | 第18页 |
1.5.2 论文结构安排 | 第18-20页 |
第2章 室内超声波定位系统的研究 | 第20-30页 |
2.1 室内超声波定位系统的总体方案 | 第20-21页 |
2.2 室内超声波定位系统的硬件设计 | 第21-26页 |
2.2.1 超声波发射模块 | 第21-22页 |
2.2.2 超声波接收模块 | 第22-23页 |
2.2.3 控制模块 | 第23-24页 |
2.2.4 无线通信模块 | 第24-25页 |
2.2.5 温度测量模块 | 第25页 |
2.2.6 USB无线模块 | 第25-26页 |
2.3 室内超声波定位系统的算法设计 | 第26-29页 |
2.3.1 TDOA测距算法 | 第26-27页 |
2.3.2 改进三边定位算法 | 第27-29页 |
2.4 本章小结 | 第29-30页 |
第3章 环境建模方法与全局路径规划算法的研究 | 第30-48页 |
3.1 室内环境建模方法 | 第30-32页 |
3.1.1 环境地图表示方法 | 第30-31页 |
3.1.2 环境模型选择 | 第31-32页 |
3.2 全局路径规划算法分析 | 第32-33页 |
3.3 基于A~*算法的路径规划 | 第33-36页 |
3.3.1 A~*算法模型 | 第33-34页 |
3.3.2 A~*算法流程 | 第34-35页 |
3.3.3 A~*算法Matlab仿真 | 第35-36页 |
3.4 基于蚁群算法的路径规划 | 第36-39页 |
3.4.1 蚁群算法模型 | 第36-37页 |
3.4.2 蚁群算法流程 | 第37-38页 |
3.4.3 蚁群算法Matlab仿真 | 第38-39页 |
3.5 蚁群算法的优化 | 第39-41页 |
3.5.1 蚁群算法的优化方法 | 第39-40页 |
3.5.2 精英蚁群算法模型 | 第40页 |
3.5.3 精英蚁群算法Matlab仿真 | 第40-41页 |
3.6 蚁群模型参数优化 | 第41-47页 |
3.6.1 蚂蚁数量 | 第41-42页 |
3.6.2 信息素挥发因子 | 第42-43页 |
3.6.3 启发式因子与期望启发式因子 | 第43-45页 |
3.6.4 额外信息素增强因子 | 第45页 |
3.6.5 最优参数与最优路径 | 第45-47页 |
3.7 本章小结 | 第47-48页 |
第4章 单目视觉定位与避障技术的研究 | 第48-60页 |
4.1 小车视觉系统硬件设计 | 第48-51页 |
4.1.1 工业相机 | 第48-50页 |
4.1.2 主控模块 | 第50页 |
4.1.3 电机驱动模块 | 第50页 |
4.1.4 速度检测模块 | 第50-51页 |
4.1.5 小车硬件平台 | 第51页 |
4.2 摄像机参数模型 | 第51-54页 |
4.2.1 坐标系建立 | 第51-52页 |
4.2.2 坐标系转换 | 第52-54页 |
4.3 摄像机标定 | 第54-56页 |
4.4 障碍物的单目视觉定位 | 第56-58页 |
4.5 避障算法设计 | 第58-59页 |
4.5.1 避障方向选取 | 第58页 |
4.5.2 最佳航向角选取 | 第58-59页 |
4.6 本章小结 | 第59-60页 |
第5章 上位机软件开发与测试 | 第60-70页 |
5.1 上位机软件总体框架设计 | 第60-61页 |
5.2 串口通讯模块设计 | 第61-62页 |
5.2.1 通讯协议 | 第61页 |
5.2.2 命令帧格式及主要命令 | 第61-62页 |
5.3 坐标采集模块设计 | 第62-63页 |
5.4 图像显示模块设计 | 第63-65页 |
5.5 定位测试实验 | 第65-66页 |
5.6 导航测试实验 | 第66-69页 |
5.7 本章小结 | 第69-70页 |
第6章 结论与展望 | 第70-72页 |
6.1 结论 | 第70页 |
6.2 展望 | 第70-72页 |
参考文献 | 第72-77页 |
致谢 | 第77-78页 |
攻读硕士期间发表的论文 | 第78页 |