双轮驱动AGV路径规划及运动控制
摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第10-16页 |
1.1 课题的研究背景及意义 | 第10-11页 |
1.1.1 课题研究的背景 | 第10-11页 |
1.1.2 课题研究的意义 | 第11页 |
1.2 国内外AGV的发展 | 第11-13页 |
1.2.1 国外AGV的发展趋势 | 第11-12页 |
1.2.2 国内AGV的发展趋势 | 第12-13页 |
1.3 本课题主要研究内容 | 第13-16页 |
第2章 AGV总体结构设计 | 第16-26页 |
2.1 AGV主要分类及实际应用优点 | 第16-18页 |
2.2 AGV系统机构及主要功能概述 | 第18-19页 |
2.3 AGV导引方式 | 第19-20页 |
2.4 驱动与转向机构 | 第20-22页 |
2.5 Discovery Q2 AGV平台 | 第22-24页 |
2.5.1 AGV的外部结构 | 第22页 |
2.5.2 AGV的内部结构 | 第22-23页 |
2.5.3 规格参数 | 第23-24页 |
2.5.4 AGV控制器 | 第24页 |
2.6 AGV车体结构设计 | 第24-25页 |
2.7 本章小结 | 第25-26页 |
第3章 AGV的路径规划 | 第26-32页 |
3.1 AGV的路径规划方法 | 第26-27页 |
3.2 全局路径规划 | 第27-28页 |
3.3 局部路径规划方法 | 第28页 |
3.4 基于智能算法的AGV路径规划 | 第28-30页 |
3.5 本章小结 | 第30-32页 |
第4章 基于蚁群算法路径规划的研究 | 第32-50页 |
4.1 蚂蚁的生物学特性 | 第32-35页 |
4.1.1 蚂蚁的社会形态 | 第32页 |
4.1.2 蚁群行为描述 | 第32-34页 |
4.1.3 蚁群算法的提出及发展历程 | 第34-35页 |
4.2 蚁群算法的原理 | 第35-37页 |
4.3 蚁群算法的系统学特性 | 第37页 |
4.4 蚁群算法的模型建立 | 第37-38页 |
4.4.1 蚂蚁个体的抽象 | 第37页 |
4.4.2 问题空间的描述 | 第37页 |
4.4.3 对寻找路径进行抽象 | 第37-38页 |
4.4.4 信息素挥发抽象 | 第38页 |
4.4.5 启发因子的引入 | 第38页 |
4.5 蚁群算法的数学模型 | 第38-40页 |
4.6 蚁群算法的具体实现 | 第40-42页 |
4.6.1 蚁群算法实现步骤 | 第40-41页 |
4.6.2 蚁群算法程序结构流程 | 第41页 |
4.6.3 算法的性能评价指标 | 第41-42页 |
4.7 基于蚁群算法的路径规划 | 第42-45页 |
4.7.1 根据环境要求建立模型 | 第42-44页 |
4.7.2 路径规划的具体步骤 | 第44页 |
4.7.3 路径规划的结果分析 | 第44-45页 |
4.8 基于改进蚁群算法的路径规划 | 第45-49页 |
4.8.1 混合信息素更新策略 | 第46页 |
4.8.2 改变算法的状态转移规则 | 第46页 |
4.8.3 改变信息素的更新规则 | 第46-47页 |
4.8.4 AGV路径规划结果分析 | 第47-49页 |
4.9 本章小结 | 第49-50页 |
第5章 AGV运动控制研究 | 第50-58页 |
5.1 AGV控制方法分析 | 第50-51页 |
5.1.1 PID控制 | 第50页 |
5.1.2 自适应控制 | 第50页 |
5.1.3 基于模型的控制方法 | 第50-51页 |
5.1.4 模糊控制与神经网络控制 | 第51页 |
5.1.5 迭代学习控制方法 | 第51页 |
5.1.6 反演控制方法 | 第51页 |
5.2 基于反演控制的AGV运动控制 | 第51-54页 |
5.2.1 控制算法 | 第51-52页 |
5.2.2 运动模型建立 | 第52页 |
5.2.3 运动方程建立 | 第52-53页 |
5.2.4 AGV的反演控制器设计 | 第53-54页 |
5.3 轨迹跟踪 | 第54-55页 |
5.4 实验仿真及结果分析 | 第55-56页 |
5.5 本章小结 | 第56-58页 |
结论 | 第58-60页 |
参考文献 | 第60-66页 |
攻读硕士学位期间所发表的论文 | 第66-68页 |
致谢 | 第68页 |