| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| TABLE OF CONTENTS | 第13-16页 |
| 图目录 | 第16-19页 |
| 表目录 | 第19-20页 |
| 主要符号表 | 第20-21页 |
| 1 绪论 | 第21-38页 |
| 1.1 问题提出与研究意义 | 第21-22页 |
| 1.2 国内外相关研究进展 | 第22-34页 |
| 1.2.1 认知机器人 | 第22-27页 |
| 1.2.2 机器人认知模型研究 | 第27-30页 |
| 1.2.3 机器人认知行为学习与控制 | 第30-31页 |
| 1.2.4 具备记忆能力的机器人系统与方法 | 第31-34页 |
| 1.3 本文主要研究思路与内容 | 第34-38页 |
| 1.3.1 研究内容的提出 | 第34-36页 |
| 1.3.2 本文主要研究内容 | 第36-38页 |
| 2 机器人基于情景记忆的认知行为计算模型 | 第38-54页 |
| 2.1 引言 | 第38页 |
| 2.2 情景记忆数学模型 | 第38-44页 |
| 2.2.1 构造情景记忆模型的生物学基础 | 第38-41页 |
| 2.2.2 情景记忆模型建立 | 第41-44页 |
| 2.3 面向机器人环境广义建模的EM-MDP框架 | 第44-48页 |
| 2.3.1 部分可观测马尔可夫决策过程(POMDP) | 第45-46页 |
| 2.3.2 情景记忆驱动的马尔可夫决策过程(EM-MDP) | 第46-48页 |
| 2.4 基于情景记忆的认知行为计算模型 | 第48-53页 |
| 2.4.1 认知行为计算模型结构 | 第49-51页 |
| 2.4.2 视觉注意系统 | 第51-52页 |
| 2.4.3 广义增量式实时在线学习形成情景记忆 | 第52页 |
| 2.4.4 不确定环境下认知行为控制方法 | 第52-53页 |
| 2.5 本章小结 | 第53-54页 |
| 3 不确定环境下情景增量式实时在线学习方法 | 第54-78页 |
| 3.1 引言 | 第54-55页 |
| 3.2 基于环境显著性的自然路标特征提取 | 第55-61页 |
| 3.2.1 输入场景显著路标检测 | 第56-58页 |
| 3.2.2 场景动态目标检测消除 | 第58-59页 |
| 3.2.3 路标LBP特征提取 | 第59-61页 |
| 3.3 基于情景记忆网络的实时在线学习方法 | 第61-68页 |
| 3.3.1 情景记忆网络学习模型 | 第61-64页 |
| 3.3.2 情景记忆网络的增量式在线学习算法 | 第64-67页 |
| 3.3.3 不确定信息处理 | 第67-68页 |
| 3.4 基于EM-MDP实现机器人环境认知学习 | 第68-76页 |
| 3.4.1 环境事件定位匹配能力实验 | 第70-71页 |
| 3.4.2 学习过程中的容错性实验 | 第71页 |
| 3.4.3 情景记忆网络增量在线学习能力实验 | 第71-76页 |
| 3.5 本章小结 | 第76-78页 |
| 4 任务目标驱动的视觉注意伺服控制方法 | 第78-99页 |
| 4.1 引言 | 第78-80页 |
| 4.2 目标物体特征描述模型 | 第80-82页 |
| 4.2.1 目标特征表示 | 第80页 |
| 4.2.2 基于高斯混合模型的特征聚类 | 第80-82页 |
| 4.3 基于物体的偏向注意机制 | 第82-86页 |
| 4.3.1 构建偏向特征模版 | 第83-84页 |
| 4.3.2 原对象分割 | 第84-85页 |
| 4.3.3 基于原对象的显著度计算 | 第85-86页 |
| 4.4 基于目标物体显著图的视觉注意伺服控制方法 | 第86-90页 |
| 4.4.1 单目摄像机投影模型 | 第87-89页 |
| 4.4.2 基于显著图的视觉伺服控制策略 | 第89-90页 |
| 4.5 实验结果及数据分析 | 第90-98页 |
| 4.5.1 目标选择实验结果及数据分析 | 第90-93页 |
| 4.5.2 方法性能比较 | 第93-95页 |
| 4.5.3 视觉注意伺服控制实验结果 | 第95-98页 |
| 4.6 本章小结 | 第98-99页 |
| 5 基于情景记忆的认知行为规划与控制方法 | 第99-125页 |
| 5.1 引言 | 第99-100页 |
| 5.2 记忆存在条件下的全局规划与行为预测 | 第100-104页 |
| 5.2.1 情景记忆回忆 | 第100-101页 |
| 5.2.2 路径全局规划 | 第101-102页 |
| 5.2.3 事件匹配与定位 | 第102-103页 |
| 5.2.4 行为模式选择 | 第103-104页 |
| 5.3 记忆不完善条件下的局部规划与行为推理 | 第104-108页 |
| 5.3.1 局部网格划分与障碍物模型表示 | 第104-105页 |
| 5.3.2 危险函数与机器人可行路径描述 | 第105-107页 |
| 5.3.3 行为推理及局部规划控制策略 | 第107-108页 |
| 5.3.4 记忆中断恢复方法 | 第108页 |
| 5.4 基于认知启发导航算法的记忆路径纠正 | 第108-111页 |
| 5.4.1 显著路标数据库建立 | 第109页 |
| 5.4.2 认知启发的状态定位与导航算法 | 第109-111页 |
| 5.5 不确定环境下实时认知行为产生策略 | 第111-113页 |
| 5.6 实验结果及数据分析 | 第113-124页 |
| 5.6.1 记忆存在条件下的行为预测实验 | 第113-117页 |
| 5.6.2 记忆不完善条件下的行为推理实验 | 第117-120页 |
| 5.6.3 不确定环境下实时认知行为产生实验 | 第120-124页 |
| 5.7 本章小结 | 第124-125页 |
| 6 结论与展望 | 第125-128页 |
| 6.1 结论与创新点 | 第125-126页 |
| 6.2 创新点摘要 | 第126-127页 |
| 6.3 展望 | 第127-128页 |
| 参考文献 | 第128-138页 |
| 攻读博士学位期间科研项目及科研成果 | 第138-140页 |
| 致谢 | 第140-141页 |
| 作者简介 | 第141-142页 |