| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 多机器人围捕研究现状 | 第12-14页 |
| 1.3 研究内容及创新 | 第14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 第2章 MAUVS围捕方法设计 | 第17-31页 |
| 2.1 MAUVS避障方法 | 第17-18页 |
| 2.2 围捕任务描述 | 第18-20页 |
| 2.3 目标者逃跑方法 | 第20-21页 |
| 2.4 面向动态围捕的MAUVS任务分配方法设计 | 第21-30页 |
| 2.4.1 基于角色及能力约束的动态伏击任务分配 | 第22-25页 |
| 2.4.2 基于角色及能力约束的动态拦截追捕任务分配 | 第25-26页 |
| 2.4.3 基于角色及能力约束的动态围捕任务分配总方法 | 第26-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于分层强化学习的围捕方法 | 第31-63页 |
| 3.1 基于S-MAXQ自主分层算法设计 | 第31-37页 |
| 3.1.1 MAXQ理论基础及改进 | 第32-34页 |
| 3.1.2 S-MAXQ学习算法及分析 | 第34-37页 |
| 3.2 S-MAXQ仿真实验及算法分析 | 第37-43页 |
| 3.2.1 实验参数设置 | 第38-39页 |
| 3.2.2 无规则障碍物环境下避障导航 | 第39-40页 |
| 3.2.3 复杂墙角环境下的避障导航 | 第40页 |
| 3.2.4 分层结果说明 | 第40-43页 |
| 3.3 基于SP-MAXQ的MAUVS分层强化学习围捕方法 | 第43-54页 |
| 3.3.1 MAUVS的SMDP模型设计 | 第43-44页 |
| 3.3.2 SP-MAXQ理论基础 | 第44-46页 |
| 3.3.3 基于SP-MAXQ算法的围捕策略分析 | 第46-54页 |
| 3.4 SP-MAXQ仿真实验及算法分析 | 第54-61页 |
| 3.4.1 实验参数设置 | 第54页 |
| 3.4.2 复杂障碍物围捕仿真实验 | 第54-56页 |
| 3.4.3 无障碍物围捕仿真实验 | 第56-59页 |
| 3.4.4 三种对比算法围捕过程中matlab性能分析 | 第59-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第4章 基于多Pioneer3-DX移动机器人的围捕实验 | 第63-79页 |
| 4.1 Pioneer3-DX移动机器人系统概述 | 第63-65页 |
| 4.2 参数设置 | 第65-66页 |
| 4.2.1 Pioneer3-DX程序参数设置 | 第65-66页 |
| 4.2.2 围捕参数设置 | 第66页 |
| 4.3 多Pioneer3-DX移动机器人围捕系统调试 | 第66-78页 |
| 4.3.1 实体Pioneer3-DX测试使用 | 第66-69页 |
| 4.3.2 Mapper3绘图软件 | 第69-71页 |
| 4.3.3 MobileEyes(远程界面GUI) | 第71-72页 |
| 4.3.4 MobileSim运动仿真平台 | 第72页 |
| 4.3.5 Aria控制台程序和ARNetworking通信接口库 | 第72-73页 |
| 4.3.6 ARNL高精度室内激光定位库 | 第73页 |
| 4.3.7 软件调用关系 | 第73-74页 |
| 4.3.8 多Pioneer3-DX移动机器人围捕实验结果 | 第74-78页 |
| 4.4 本章小结 | 第78-79页 |
| 总结 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第87-89页 |
| 致谢 | 第89页 |
