| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究的目的和意义 | 第9-11页 |
| 1.2 环境建模的研究现状 | 第11-12页 |
| 1.3 全局路径规划算法的研究现状 | 第12-15页 |
| 1.3.1 A星算法 | 第12页 |
| 1.3.2 可视图法 | 第12-13页 |
| 1.3.3 自由空间法 | 第13页 |
| 1.3.4 栅格法 | 第13-14页 |
| 1.3.5 人工势场法 | 第14-15页 |
| 1.4 场景识别的研究现状 | 第15-16页 |
| 1.5 论文的主要内容 | 第16-19页 |
| 第二章 智能移动小车硬件平台和软件平台的搭建 | 第19-34页 |
| 2.1 智能移动小车硬件平台的搭建 | 第19-24页 |
| 2.1.1 移动小车平台Pioneer3-AT | 第19-21页 |
| 2.1.2 SICK激光测距仪LMS-200 | 第21-22页 |
| 2.1.3 视觉与深度传感器kinect | 第22-23页 |
| 2.1.4 嵌入式硬件平台Beagle Bone Black开发板 | 第23-24页 |
| 2.2 移动智能小车软件平台的搭建 | 第24-32页 |
| 2.2.1 ARIA软件 | 第24-25页 |
| 2.2.2 机器人仿真软件Mobile Sim | 第25-26页 |
| 2.2.3 机器人操作系统(ROS) | 第26-27页 |
| 2.2.4 Beagle Bone Black移植ROS | 第27-29页 |
| 2.2.5 ROS分布式系统环境搭建 | 第29-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第三章 移动智能小车的全局路径规划算法与实验 | 第34-44页 |
| 3.1 A星算法的基本原理 | 第34-37页 |
| 3.1.1 设置搜索区域 | 第34页 |
| 3.1.2 开始搜索 | 第34-37页 |
| 3.2 A星算法流程 | 第37-39页 |
| 3.3 A星算法仿真实验 | 第39-41页 |
| 3.3.1 A星算法在matlab软件上仿真实验 | 第39-40页 |
| 3.3.2 A星算法在MobileSim软件上的仿真实验 | 第40-41页 |
| 3.4 A星算法在移动小车上的实验研究 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于距离传感器的移动小车室内场景识别算法与实验研究 | 第44-58页 |
| 4.1 引言 | 第44-45页 |
| 4.2 移动机器人场景识别问题描述 | 第45-46页 |
| 4.3 极限学习机算法原理 | 第46-48页 |
| 4.3.1 极限学习机的概念 | 第46页 |
| 4.3.2 极限学习机的原理 | 第46-48页 |
| 4.4 环投影算法 | 第48-50页 |
| 4.5 移动智能小车场景识别实验 | 第50-53页 |
| 4.5.1 数据采集 | 第50-51页 |
| 4.5.2 测试结果 | 第51-53页 |
| 4.6 公共数据集实验结果 | 第53-56页 |
| 4.7 本章小结 | 第56-58页 |
| 第五章 基于激光测距传感器和视觉传感器的小车环境模型构建算法与实验 | 第58-66页 |
| 5.1 基于激光测距传感器的环境模型构建算法 | 第58-60页 |
| 5.2 基于激光测距传感器的环境建模实验 | 第60-63页 |
| 5.3 基于视觉传感器Kinect的环境建模实验 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第六章 结论 | 第66-68页 |
| 6.1 论文总结 | 第66-67页 |
| 6.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 攻读学位期间所取得的相关科研成果 | 第74-76页 |
| 致谢 | 第76页 |
