| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 无人车智能感知技术现状 | 第10-12页 |
| 1.2.2 深度学习发展现状 | 第12-14页 |
| 1.2.3 多运动体协同研究现状 | 第14-16页 |
| 1.3 论文内容与章节安排 | 第16-18页 |
| 第2章 多运动体智能感知及编队平台总体方案 | 第18-28页 |
| 2.1 多运动体智能感知及编队平台方案 | 第18-19页 |
| 2.2 智能感知平台各组成部分设计 | 第19-27页 |
| 2.2.1 软件操作系统及仿真环境 | 第20-22页 |
| 2.2.2 硬件平台框架设计 | 第22-27页 |
| 2.3 小结 | 第27-28页 |
| 第3章 基于点云数据的目标识别跟踪算法研究 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 总体框架设计 | 第28-30页 |
| 3.3 目标检测及离线建模 | 第30-33页 |
| 3.3.1 点云数据预处理 | 第30-31页 |
| 3.3.2 点云协方差描述子计算 | 第31-32页 |
| 3.3.3 支持向量机离线建模 | 第32-33页 |
| 3.4 在线识别及编队跟踪 | 第33-35页 |
| 3.4.1 支持向量机预测 | 第34页 |
| 3.4.2 KLD-Sampling自适应粒子滤波 | 第34-35页 |
| 3.4.3 多运动体编队跟踪策略 | 第35页 |
| 3.5 实验验证及分析 | 第35-38页 |
| 3.6 小结 | 第38-40页 |
| 第4章 基于深度学习的智能感知算法研究 | 第40-50页 |
| 4.1 典型深度学习模型及开源框架分析 | 第40-44页 |
| 4.1.1 典型深度学习模型研究 | 第40-43页 |
| 4.1.2 常用深度学习开源框架分析 | 第43-44页 |
| 4.2 基于深度强化学习的机器人导航 | 第44-49页 |
| 4.2.1 深度强化学习概述 | 第44-46页 |
| 4.2.2 环境配置及实验分析 | 第46-49页 |
| 4.3 小结 | 第49-50页 |
| 第5章 无人机与多机器人协同编队算法研究 | 第50-68页 |
| 5.1 引言 | 第50页 |
| 5.2 图论基础 | 第50-53页 |
| 5.2.1 刚性图及分类 | 第51-52页 |
| 5.2.2 持久图及分类 | 第52-53页 |
| 5.3 基于结构持久图的编队动态生成 | 第53-56页 |
| 5.3.1 二维空间中最小结构持久编队动态生成 | 第53-54页 |
| 5.3.2 无人机与机器人结构持久编队动态生成 | 第54-56页 |
| 5.4 基于势场函数的队形控制 | 第56-60页 |
| 5.4.1 势场函数定义 | 第56页 |
| 5.4.2 地面机器人队形控制 | 第56-59页 |
| 5.4.3 无人机势场力函数设计 | 第59-60页 |
| 5.5 实验验证及分析 | 第60-66页 |
| 5.5.1 多机器人编队跟踪实验 | 第60-63页 |
| 5.5.2 无人机与多机器人协同编队实验 | 第63-66页 |
| 5.6 小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 发表论文和科研情况说明 | 第74-76页 |
| 致谢 | 第76页 |