基于深度学习的移动机器人避障研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 深度学习的发展及研究现状 | 第9-10页 |
| 1.2.2 深度学习在机器人领域的研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 基于ROS的移动机器人系统搭建 | 第15-29页 |
| 2.1 ROS概述 | 第15-17页 |
| 2.1.1 ROS起源及发展 | 第15页 |
| 2.1.2 ROS特点 | 第15-17页 |
| 2.2 系统硬件设计 | 第17-22页 |
| 2.2.1 系统结构 | 第17-18页 |
| 2.2.2 模块选型 | 第18-20页 |
| 2.2.3 双轮差动机器人运动学模型 | 第20-22页 |
| 2.3 系统软件设计 | 第22-28页 |
| 2.3.1 软件整体设计 | 第22-23页 |
| 2.3.2 底盘驱动控制 | 第23-27页 |
| 2.3.3 远程控制 | 第27-28页 |
| 2.3.4 图像显示 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于深度学习的避障模型设计与验证 | 第29-54页 |
| 3.1 深度避障模型理论基础 | 第29-36页 |
| 3.1.1 卷积神经网络基本结构 | 第29-31页 |
| 3.1.2 激活函数 | 第31-32页 |
| 3.1.3 SoftMax分类器 | 第32-33页 |
| 3.1.4 深度学习框架Caffe | 第33-34页 |
| 3.1.5 训练算法 | 第34-36页 |
| 3.2 网络结构设计 | 第36-39页 |
| 3.2.1 AlexNet网络模型 | 第37-38页 |
| 3.2.2 模型优化与改进 | 第38-39页 |
| 3.3 模型实验与分析 | 第39-53页 |
| 3.3.1 避障数据集 | 第39-42页 |
| 3.3.2 实验设置 | 第42-43页 |
| 3.3.3 训练结果分析 | 第43-47页 |
| 3.3.4 样本测试 | 第47-51页 |
| 3.3.5 泛化能力测试 | 第51-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 模型部署测试与分析 | 第54-61页 |
| 4.1 模型部署——ROS_Caffe | 第54-55页 |
| 4.2 实时测试 | 第55页 |
| 4.3 Web端显示 | 第55-59页 |
| 4.4 实际环境测试 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65页 |
