| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 英文缩写词对照表 | 第12-13页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 研究现状分析 | 第16-22页 |
| 1.2.1 深度学习研究现状分析 | 第16-19页 |
| 1.2.2 深度学习在决策控制领域的研究现状分析 | 第19-21页 |
| 1.2.3 四轴无人飞行器自主跟踪研究现状分析 | 第21-22页 |
| 1.2.4 四轴无人飞行器与深度学习交叉研究现状分析 | 第22页 |
| 1.3 论文主要工作及创新点 | 第22-23页 |
| 1.4 论文组织结构 | 第23-24页 |
| 第二章 面向智能算法研究的四轴无人飞行器仿真平台 | 第24-40页 |
| 2.1 引言 | 第24-25页 |
| 2.2 研究背景 | 第25-29页 |
| 2.2.1 ROS机器人操作系统 | 第26-27页 |
| 2.2.2 Gazebo仿真软件 | 第27页 |
| 2.2.3 PX4开源机器人框架 | 第27-28页 |
| 2.2.4 DJI M100四轴无人飞行器开发平台 | 第28-29页 |
| 2.3 四轴无人飞行器仿真平台设计要求 | 第29-30页 |
| 2.4 四轴无人飞行器仿真平台软件结构及实现 | 第30-38页 |
| 2.4.1 软件结构 | 第30-34页 |
| 2.4.2 仿真平台实现 | 第34-38页 |
| 2.5 基于仿真平台的开发 | 第38-39页 |
| 2.6 小结 | 第39-40页 |
| 第三章 基于反馈控制算法的四轴无人飞行器自主跟踪 | 第40-50页 |
| 3.1 引言 | 第40-41页 |
| 3.2 PID控制算法简介 | 第41-42页 |
| 3.3 基于反馈控制算法的自主跟踪实现 | 第42-45页 |
| 3.3.1 基于April Tag标志的目标跟踪流程 | 第42-43页 |
| 3.3.2 PID控制算法设计 | 第43-44页 |
| 3.3.3 DJI M100飞行平台控制算法设计 | 第44-45页 |
| 3.4 实验 | 第45-47页 |
| 3.4.1 评价指标设计 | 第45页 |
| 3.4.2 仿真结果 | 第45-46页 |
| 3.4.3 DJI M100实物平台测试 | 第46-47页 |
| 3.5 创建飞控跟踪数据库 | 第47-49页 |
| 3.5.1 数据类型 | 第47-48页 |
| 3.5.2 数据采集 | 第48页 |
| 3.5.3 数据使用 | 第48-49页 |
| 3.6 小结 | 第49-50页 |
| 第四章 基于监督学习的四轴无人飞行器自主跟踪 | 第50-62页 |
| 4.1 引言 | 第50-51页 |
| 4.2 背景知识 | 第51-53页 |
| 4.2.1 引导式策略搜索算法（Guided Policy Search, GPS） | 第51-52页 |
| 4.2.2 YOLO物体检测算法 | 第52-53页 |
| 4.3 反馈神经网络FNN | 第53-56页 |
| 4.3.1 动机 | 第53-54页 |
| 4.3.2 相关工作 | 第54-55页 |
| 4.3.3 FNN基本结构与训练方法 | 第55页 |
| 4.3.4 FNN的拓展 | 第55-56页 |
| 4.4 基于FNN的四轴无人飞行器标志跟踪 | 第56-57页 |
| 4.4.1 面向四轴无人飞行器自主标志跟踪的简化GPS算法 | 第56-57页 |
| 4.4.2 用于标志跟踪的FNN模型 | 第57页 |
| 4.5 基于YOLO+FNN的四轴无人飞行器视觉跟踪 | 第57-59页 |
| 4.5.1 问题分析 | 第58页 |
| 4.5.2 YOLO+FNN神经网络模型结构 | 第58页 |
| 4.5.3 模型训练 | 第58-59页 |
| 4.6 实验 | 第59-61页 |
| 4.6.1 标志跟踪FNN训练及对比 | 第59页 |
| 4.6.2 标志跟踪测试 | 第59-60页 |
| 4.6.3 YOLO+FNN训练 | 第60-61页 |
| 4.7 小结 | 第61-62页 |
| 第五章 工作总结与展望 | 第62-64页 |
| 5.1 对本文工作的总结 | 第62页 |
| 5.2 未来工作的展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 作者在学期间取得的学术成果 | 第70页 |
