摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第1章 绪论 | 第12-24页 |
1.1 问题提出与研究意义 | 第12-14页 |
1.1.1 问题提出 | 第12-13页 |
1.1.2 研究意义 | 第13-14页 |
1.2 国内外研究现状 | 第14-20页 |
1.2.1 认知机器人国内外研究现状 | 第14-19页 |
1.2.2 存在的主要问题 | 第19-20页 |
1.3 本文的主要研究内容 | 第20-24页 |
1.3.1 主要研究内容与研究目标 | 第20-22页 |
1.3.2 本文章节安排 | 第22-24页 |
第2章 具有认知学习能力的扭锁抓取系统简介 | 第24-36页 |
2.1 引言 | 第24-25页 |
2.2 扭锁抓取平台与认知信息处理 | 第25-31页 |
2.2.1 扭锁抓取平台简介 | 第25-26页 |
2.2.2 扭锁抓取系统框架 | 第26-28页 |
2.2.3 人脑智能信息处理机制 | 第28-31页 |
2.3 认知发育系统中框架模型实现 | 第31-35页 |
2.3.1 基于在线自适应增量PCA的感知发育模型 | 第31-33页 |
2.3.2 基于增量式神经网络的认知发育模型 | 第33-35页 |
2.3.3 任务执行模块 | 第35页 |
2.4 本章小结 | 第35-36页 |
第3章 基于分域策略的联合双边滤波预处理 | 第36-56页 |
3.1 引言 | 第36-37页 |
3.2 KINECT原理介绍 | 第37-38页 |
3.3 KINECT噪声来源与滤波方法分析 | 第38-40页 |
3.4 基于分区域滤波策略的深度图像增强 | 第40-49页 |
3.4.1 像素分类及滤波区域标识 | 第41-42页 |
3.4.2 可信任区域滤波 | 第42-44页 |
3.4.3 不可信任区域滤波 | 第44-48页 |
3.4.4 滤波方向选择 | 第48-49页 |
3.5 实验结果与分析 | 第49-55页 |
3.5.1 实验准备 | 第50页 |
3.5.2 实验性能比较 | 第50-55页 |
3.6 本章小结 | 第55-56页 |
第4章 基于在线自适应增量PCA的感知发育 | 第56-68页 |
4.1 引言 | 第56-57页 |
4.2 增量式主成分分析 | 第57-58页 |
4.3 基于在线自适应增量PCA的感知发育算法 | 第58-62页 |
4.3.1 基于在线自适应增量PCA的感知发育 | 第58-61页 |
4.3.2 在线自适应增量PCA学习算法 | 第61-62页 |
4.4 实验结果与分析 | 第62-66页 |
4.4.1 重建误差分析及新类别监测 | 第63-65页 |
4.4.2 性能比较 | 第65-66页 |
4.5 本章小结 | 第66-68页 |
第5章 基于增量式神经网络的认知发育 | 第68-86页 |
5.1 引言 | 第68-69页 |
5.2 增量式自组织神经网络 | 第69-72页 |
5.2.1 现有增量神经网络及其研究现状 | 第70-71页 |
5.2.2 现有自主发育神经网络模型 | 第71-72页 |
5.3 基于增量式神经网络的认知发育 | 第72-77页 |
5.3.1 具有自主发育能力的认知神经网络 | 第72-77页 |
5.3.2 基于增量式神经网络的认知发育算法 | 第77页 |
5.4 相关实验与结果分析 | 第77-84页 |
5.4.1 Y层权重可视化及top-down权重影响分析 | 第78-82页 |
5.4.2 基于认知发育网络的扭锁识别 | 第82-84页 |
5.5 本章小结 | 第84-86页 |
第6章 扭锁认知识别与抓取位姿估计 | 第86-98页 |
6.1 引言 | 第86页 |
6.2 扭锁抓取安装分析 | 第86-88页 |
6.3 抓取点位姿估计 | 第88-96页 |
6.3.1 点云数据计算 | 第88-90页 |
6.3.2 基于ICP算法的三维位姿估计 | 第90-93页 |
6.3.3 三维位姿估计实验结果 | 第93-96页 |
6.4 本章小结 | 第96-98页 |
第7章 总结与展望 | 第98-102页 |
7.1 全文总结 | 第98-100页 |
7.2 需要进一步研究的问题 | 第100-102页 |
参考文献 | 第102-110页 |
作者简介及研究成果 | 第110-112页 |
致谢 | 第112页 |