| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 机器人研究的发展 | 第10-12页 |
| 1.2 移动机器人室内导航技术的国内外研究现状 | 第12-16页 |
| 1.3 基于视觉的机器人室内导航技术国内外研究现状 | 第16-20页 |
| 1.4 本文的结构安排 | 第20-22页 |
| 第2章 机器人视觉特征信息提取 | 第22-34页 |
| 2.1 Radon特征 | 第22-26页 |
| 2.1.1 Radon变换的数学定义 | 第22-23页 |
| 2.1.2 图像的Radon变换 | 第23-25页 |
| 2.1.3 机器人实时图像Radon特征提取方法 | 第25-26页 |
| 2.2 Laws’模板特征 | 第26-29页 |
| 2.2.1 Laws’模板 | 第26-27页 |
| 2.2.2 机器人实时图像Laws’模板特征提取方法 | 第27-29页 |
| 2.3 Harris角点特征 | 第29-32页 |
| 2.3.1 Harris角点检测概述 | 第29页 |
| 2.3.2 Harris角点检测的基本思想 | 第29-30页 |
| 2.3.3 Harris角点检测的数学表达 | 第30-31页 |
| 2.3.4 机器人实时图像Harris角点特征提取方法 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 机器人室内导航机器学习算法研究 | 第34-56页 |
| 3.1 支持向量机 | 第34-44页 |
| 3.1.1 SVM简介 | 第34页 |
| 3.1.2 SVM的本质优点 | 第34-35页 |
| 3.1.3 SVM的基本理论 | 第35-40页 |
| 3.1.4 SVM实例仿真分析 | 第40-44页 |
| 3.2 最小误差平方和分类器 | 第44-45页 |
| 3.2.1 最小误差平方和分类器理论 | 第44-45页 |
| 3.2.2 最小误差平方和分类器仿真分析 | 第45页 |
| 3.3 PCA降维 | 第45-51页 |
| 3.3.1 PCA基本原理 | 第45-46页 |
| 3.3.2 PCA算法步骤 | 第46-47页 |
| 3.3.3 PCA仿真分析 | 第47-51页 |
| 3.4 模仿学习 | 第51-54页 |
| 3.4.1 模仿学习概述 | 第51-52页 |
| 3.4.2 模仿学习中学习算法的相关问题 | 第52-53页 |
| 3.4.3 DAGGER算法 | 第53-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 机器人室内导航系统的设计与实现 | 第56-76页 |
| 4.1 机器人硬件平台设计 | 第56-57页 |
| 4.2 机器人室内导航软件设计 | 第57-69页 |
| 4.2.1 Emgu CV库 | 第59页 |
| 4.2.2 机器人运行视频录制及分离 | 第59-61页 |
| 4.2.3 机器人视觉特征信息提取 | 第61-66页 |
| 4.2.4 机器人动作分类器参数学习 | 第66-69页 |
| 4.3 机器人模仿学习相关问题及解决方法 | 第69-73页 |
| 4.3.1 样本不均衡 | 第69-71页 |
| 4.3.2 动作无反馈 | 第71-72页 |
| 4.3.3 专家发送动作命令的实时性 | 第72页 |
| 4.3.4 中间策略的鲁棒性 | 第72-73页 |
| 4.4 机器人导航实现 | 第73-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第5章 机器人室内导航实验研究 | 第76-88页 |
| 5.1 机器人硬件平台介绍 | 第76-77页 |
| 5.2 机器人室内导航软件操作流程 | 第77-80页 |
| 5.3 机器人室内导航实验 | 第80-86页 |
| 5.3.1 箱子障碍物环境导航实验 | 第80-82页 |
| 5.3.2 椅子障碍物环境导航实验 | 第82-83页 |
| 5.3.3 模拟雷达视图 | 第83-84页 |
| 5.3.4 机器人模仿学习测试 | 第84-86页 |
| 5.4 本章小结 | 第86-88页 |
| 结论 | 第88-90页 |
| 参考文献 | 第90-98页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第98-100页 |
| 致谢 | 第100页 |
