| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 研究成果 | 第14-16页 |
| 1.2.2 研究方法 | 第16页 |
| 1.3 多传感器信息融合技术及其在避障中的应用 | 第16-19页 |
| 1.3.1 多传感器信息融合的基本原理 | 第17页 |
| 1.3.2 多传感器信息融合的融合层次 | 第17-19页 |
| 1.3.3 多传感器信息融合的主要方法及在避障上的应用 | 第19页 |
| 1.4 本文研究的主要内容 | 第19-21页 |
| 第二章 无人机巡线避障系统方案设计 | 第21-30页 |
| 2.1 无人机避障系统总体结构 | 第21-22页 |
| 2.2 无人机子系统 | 第22-23页 |
| 2.2.1 位置检测模块 | 第22页 |
| 2.2.2 障碍物信息处理模块 | 第22-23页 |
| 2.2.3 嵌入式飞行控制器 | 第23页 |
| 2.3 地面站子系统 | 第23-24页 |
| 2.3.1 地面监控计算机 | 第23-24页 |
| 2.4 传感器特性分析与选择 | 第24-29页 |
| 2.4.1 电磁场检测传感器 | 第24页 |
| 2.4.2 超声波测距传感器 | 第24-26页 |
| 2.4.3 GPS 接收机 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 无人机巡线避障飞行空间环境建模 | 第30-44页 |
| 3.1 柱状避障空间建模 | 第30-37页 |
| 3.1.1 避障边界线的确定 | 第30-31页 |
| 3.1.2 多边形避障柱体的建立 | 第31页 |
| 3.1.3 各种障碍物的避障柱体建立 | 第31-37页 |
| 3.2 输电线路周围电场建模 | 第37-43页 |
| 3.2.1 超/高压架空输电线路电场数值计算方法 | 第37-38页 |
| 3.2.2 超/高压架空输电线路电场建模 | 第38-41页 |
| 3.2.3 超/高压架空输电线路三维空间电场仿真 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 无人机巡线避障规划方法研究 | 第44-62页 |
| 4.1 基于柱状避障空间和改进 A*算法的无人机避障方法 | 第44-48页 |
| 4.1.1 启发函数的确定 | 第45页 |
| 4.1.2 改进 A*算法 | 第45-47页 |
| 4.1.3 仿真结果 | 第47-48页 |
| 4.2 基于柱状避障空间和支持向量机的无人机二维环境避障 | 第48-58页 |
| 4.2.1 支持向量机 | 第49-52页 |
| 4.2.2 基于柱状避障空间和支持向量机的无人机二维环境避障 | 第52-56页 |
| 4.2.3 仿真结果 | 第56-58页 |
| 4.3 基于柱状避障空间和支持向量机的无人机三维避障 | 第58-60页 |
| 4.3.1 基于柱状避障空间和支持向量机的无人机三维避障 | 第58-60页 |
| 4.3.2 仿真结果 | 第60页 |
| 4.4 改进 A*算法和支持向量机方法避障结果分析 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 无人机巡线实时避障方法及实验研究 | 第62-75页 |
| 5.1 模糊神经网络信息融合技术 | 第62-63页 |
| 5.2 基于模糊神经网络多传感器信息融合的无人机实时避障 | 第63-69页 |
| 5.2.1 输入、输出量的确定 | 第63-65页 |
| 5.2.2 模糊规则的建立 | 第65-68页 |
| 5.2.3 模糊神经网络的训练 | 第68-69页 |
| 5.3 实验验证与结果分析 | 第69-74页 |
| 5.3.1 坐标系的建立 | 第69-70页 |
| 5.3.2 第一阶段避障仿真 | 第70-71页 |
| 5.3.3 第二阶段避障仿真 | 第71-72页 |
| 5.3.4 仿真结果分析 | 第72-73页 |
| 5.3.5 飞行测试 | 第73-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文研究工作总结 | 第75页 |
| 6.2 存在问题及后期研究方向 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 致谢 | 第82-83页 |
| 在学期间的研究成果及发表的学术论文 | 第83页 |
