移动机器人自主导航和目标抓取关键技术研究
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 机器人路径规划发展现状 | 第14-16页 |
| 1.2.1 全局路径规划 | 第14-15页 |
| 1.2.2 局部路径规划 | 第15-16页 |
| 1.3 机器人路径跟踪控制发展现状 | 第16-17页 |
| 1.4 机器人抓取规划发展现状 | 第17-20页 |
| 1.4.1 基于模型的抓取规划 | 第17-18页 |
| 1.4.2 基于数据驱动的抓取规划 | 第18-20页 |
| 1.5 课题的研究内容 | 第20页 |
| 1.6 本文章节结构安排 | 第20-22页 |
| 第2章 基于蝙蝠算法与强化学习的路径规划研究 | 第22-34页 |
| 2.1 蝙蝠算法 | 第22-24页 |
| 2.1.1 算法模型 | 第22-23页 |
| 2.1.2 实施步骤 | 第23-24页 |
| 2.2 强化学习 | 第24-26页 |
| 2.2.1 Q学习算法 | 第24-25页 |
| 2.2.2 动作选择策略 | 第25-26页 |
| 2.3 混合蝙蝠算法(HBA) | 第26-28页 |
| 2.3.1 HBA介绍 | 第26-27页 |
| 2.3.2 适应度函数设计 | 第27-28页 |
| 2.4 路径规划仿真研究 | 第28-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于灰狼算法优化PID的路径跟踪控制 | 第34-47页 |
| 3.1 移动机器人路径跟踪控制模型 | 第34-36页 |
| 3.2 移动机器人路径跟踪控制器设计 | 第36-37页 |
| 3.3 PID控制器原理 | 第37-38页 |
| 3.3.1 模拟PID控制器 | 第37-38页 |
| 3.3.2 数字PID控制器 | 第38页 |
| 3.4 灰狼算法原理 | 第38-40页 |
| 3.4.1 基本灰狼算法 | 第38-40页 |
| 3.4.2 改进灰狼算法 | 第40页 |
| 3.5 GWO优化PID算法设计 | 第40-42页 |
| 3.5.1 基本思想 | 第40-41页 |
| 3.5.2 适应度函数的确定 | 第41页 |
| 3.5.3 GWO优化PID算法流程 | 第41-42页 |
| 3.6 路径跟踪仿真研究 | 第42-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 基于深度学习的目标识别和抓取位置检测 | 第47-62页 |
| 4.1 抓取位置表示 | 第47-48页 |
| 4.2 卷积神经网络 | 第48-51页 |
| 4.2.1 感知器模型 | 第48-49页 |
| 4.2.2 局部连接和权值共享 | 第49-50页 |
| 4.2.3 卷积神经网络结构 | 第50-51页 |
| 4.3 残差神经网络 | 第51-53页 |
| 4.4 多任务卷积神经网络 | 第53-55页 |
| 4.5 实验验证 | 第55-60页 |
| 4.5.1 抓取数据集建立 | 第55-56页 |
| 4.5.2 模型训练 | 第56页 |
| 4.5.3 实验结果与分析 | 第56-60页 |
| 4.6 本章小结 | 第60-62页 |
| 第5章 移动机器人自主导航和目标抓取实验 | 第62-66页 |
| 5.1 实验平台验证 | 第62-65页 |
| 5.2 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-75页 |
| 攻读硕士学位期间论文发表及科研情况 | 第75-76页 |
| 致谢 | 第76页 |
