智能机器人视觉信息处理及数据融合方法研究
| 第1章 绪论 | 第1-23页 |
| 1．1 机器人发展概述 | 第11-13页 |
| 1．2 机器人视觉及其研究现状 | 第13-17页 |
| 1．2．1 机器人视觉概述 | 第13-15页 |
| 1．2．2 国内外研究现状 | 第15-17页 |
| 1．3 多传感器信息融合及其发展 | 第17-21页 |
| 1．3．1 多传感器信息融合概述 | 第18-19页 |
| 1．3．2 多传感嚣信息融合技术的发展 | 第19-21页 |
| 1．4 本文的主要研究内容 | 第21-23页 |
| 第2章 移动机器人视觉处理方法研究 | 第23-42页 |
| 2．1 概述 | 第23-24页 |
| 2．2 实验平台GAIA—2简介 | 第24-27页 |
| 2．3 利用单视觉传感器获取环境信息 | 第27-35页 |
| 2．3．1 摄像机模型及透视技术 | 第27-33页 |
| 2．3．2 摄像机逆透视映射 | 第33-35页 |
| 2．4 基于视觉的机器人路径规划算法 | 第35-40页 |
| 2．4．1 路径规划的分层结构 | 第36-37页 |
| 2．4．2 避碰点的产生 | 第37-39页 |
| 2．4．3 局部路径规划算法 | 第39-40页 |
| 2．5 仿真结果 | 第40-41页 |
| 2．6 本章小结 | 第41-42页 |
| 第3章 基于全景视觉传感器的图像解算 | 第42-61页 |
| 3．1 概述 | 第42-43页 |
| 3．2 带有双曲线旋转体反射镜的全景摄像机模型 | 第43-46页 |
| 3．3 实际反射镜的设计 | 第46-53页 |
| 3．3．1 约束条件 | 第46-49页 |
| 3．3．2 设计概述 | 第49-53页 |
| 3．4 全景图像的解算 | 第53-60页 |
| 3．4．1 图像中心 | 第53-54页 |
| 3．4．2 全景图像解算算法 | 第54-57页 |
| 3．4．3 仿真结果 | 第57-60页 |
| 3．5 本章小结 | 第60-61页 |
| 第4章 基于信息融合的移动机器人障碍检测 | 第61-91页 |
| 4．1 概述 | 第61-63页 |
| 4．2 多传感器信息融合和多目标跟踪的概念 | 第63-67页 |
| 4．2．1 多目标跟踪的基本理论 | 第63-64页 |
| 4．2．2 多传感器信息融合的基本理论 | 第64-67页 |
| 4．3 多目标跟踪中的数据互联 | 第67-75页 |
| 4．3．1 联合概率数据关联算法 | 第67-69页 |
| 4．3．2 改进的联合概率数据关联算法 | 第69-71页 |
| 4．3．3 仿真结果 | 第71-75页 |
| 4．4 多传感器分布式优化融合算法 | 第75-84页 |
| 4．4．1 标准线性系统的优化融合算法 | 第76-78页 |
| 4．4．2 一般线性系统的优化融合算法 | 第78-81页 |
| 4．4．3 非线性系统的优化融合算法 | 第81-84页 |
| 4．5 基于多传感器信息融合的移动机器人障碍检测 | 第84-89页 |
| 4．5．1 测障系统中应用的系统模型 | 第85-86页 |
| 4．5．2 障碍位置估计融合算法 | 第86-87页 |
| 4．5．3 仿真结果 | 第87-89页 |
| 4．6 本章小结 | 第89-91页 |
| 第5章 基于粗糙集理论的多传感器信息融合 | 第91-106页 |
| 5．1 概述 | 第91-92页 |
| 5．2 粗糙集理论基础 | 第92-95页 |
| 5．2．1 上近似集、下近似集和正域的概念 | 第92-93页 |
| 5．2．2 粗糙集的数字特征 | 第93页 |
| 5．2．3 核与简化 | 第93-94页 |
| 5．2．4 不完备信息系统的粗糙集方法 | 第94-95页 |
| 5．3 基于粗糙集理论的多传感器信息融合 | 第95-104页 |
| 5．3．1 粗糙集理论融合信息的一段步骤 | 第95-96页 |
| 5．3．2 基于完全简化规则集的数据融合算法 | 第96-97页 |
| 5．3．3 基于粗糙集理论的机器人物体识别系统 | 第97-102页 |
| 5．3．4 基于不完备信息的多传感器数据融合 | 第102-104页 |
| 5．4 本章小结 | 第104-106页 |
| 结论 | 第106-108页 |
| 参考文献 | 第108-120页 |
| 攻读博士学位期间发表的论文 | 第120-121页 |
| 致谢 | 第121-122页 |
| 个人简历 | 第122页 |
