基于DMPs-GMR的电力机器人智能轨迹规划研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-24页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 相关研究现状 | 第12-23页 |
| 1.2.1 电力机器人现状 | 第12-16页 |
| 1.2.2 模仿学习概述 | 第16-18页 |
| 1.2.3 轨迹规划 | 第18-19页 |
| 1.2.4 增强学习 | 第19-23页 |
| 1.3 本文的章节安排 | 第23-24页 |
| 第2章 机器人的运动学 | 第24-37页 |
| 2.1 机器人正向和逆向运动学概念 | 第24-25页 |
| 2.2 机器人运动学的几何表示 | 第25-31页 |
| 2.2.1 位置和姿态的表示 | 第25-27页 |
| 2.2.2 刚体的表示 | 第27-30页 |
| 2.2.3 空间变换的矩阵表示 | 第30-31页 |
| 2.3 基于D-H表示法的正向和逆向运动学 | 第31-37页 |
| 第3章 相关模型及理论 | 第37-65页 |
| 3.1 基函数与函数空间 | 第37-38页 |
| 3.2 局部加权回归 | 第38-40页 |
| 3.3 高斯分布及性质 | 第40-47页 |
| 3.3.1 高斯分布 | 第40-43页 |
| 3.3.2 条件高斯分布 | 第43-46页 |
| 3.3.3 高斯分布的最大似然估计 | 第46-47页 |
| 3.4 混合高斯分布模型及算法 | 第47-63页 |
| 3.4.1 混合高斯分布模型 | 第47-50页 |
| 3.4.2 最大期望算法(EM) | 第50-54页 |
| 3.4.3 高斯混合回归 | 第54-57页 |
| 3.4.4 基于高斯混合模型的EM | 第57-63页 |
| 3.5 DMPs模型介绍 | 第63-65页 |
| 第4章 基于DMPs模型及GMR算法的应用 | 第65-80页 |
| 4.1 原理 | 第65-68页 |
| 4.2 算法描述 | 第68-77页 |
| 4.2.1 实验结果与分析 | 第70-77页 |
| 4.3 拓展 | 第77-78页 |
| 4.4 小结 | 第78-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 总结 | 第80页 |
| 5.2 展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 攻读硕士学位期间的研究成果 | 第86页 |
