轮式机器人路径规划方法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 课题的研究现状 | 第9页 |
| 1.3 移动机器人的路径规划方法 | 第9-11页 |
| 1.4 论文的主要研究内容及结构 | 第11-14页 |
| 第2章 基于改进人工势场法的机器人路径规划 | 第14-28页 |
| 2.1 人工势场法 | 第14页 |
| 2.2 传统人工势场法的基本思想 | 第14-17页 |
| 2.3 传统人工势场法的优势和不足 | 第17-18页 |
| 2.4 改进的人工势场法 | 第18-24页 |
| 2.4.1 目标不可达问题解决方案 | 第18-20页 |
| 2.4.2 受力分析 | 第20-21页 |
| 2.4.3 局部极小值问题 | 第21-24页 |
| 2.5 仿真实验及结果 | 第24-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于蚁群算法的移动机器人路径规划 | 第28-44页 |
| 3.1 蚁群算法理论概述 | 第28-29页 |
| 3.2 蚁群算法的基本原理 | 第29-31页 |
| 3.3 机器人运动空间模型 | 第31-33页 |
| 3.3.1 栅格法环境建模 | 第31-32页 |
| 3.3.2 问题描述与定义 | 第32页 |
| 3.3.3 图与栅格环境的逻辑对应关系 | 第32-33页 |
| 3.4 传统蚁群的机器人路径规划 | 第33-36页 |
| 3.4.1 机器人路径规划的数学描述 | 第33-34页 |
| 3.4.2 机器人路径规划的局限性 | 第34页 |
| 3.4.3 算法的描述及实现过程 | 第34-36页 |
| 3.5 仿真实验 | 第36-38页 |
| 3.6 蚁群算法的自适应改进 | 第38-42页 |
| 3.6.1 蚁群算法参数的改进 | 第38-40页 |
| 3.6.2 算法流程及实现过程 | 第40-41页 |
| 3.6.3 仿真结果 | 第41-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第4章 改进蚁群算法的机器人路径规划研究 | 第44-58页 |
| 4.1 蚁群算法的优缺点 | 第44-45页 |
| 4.2 人工免疫算法相对于遗传算法的优势 | 第45页 |
| 4.3 基于蚁群算法的改进 | 第45-51页 |
| 4.3.1 精英保留策略 | 第45-46页 |
| 4.3.2 节点选择的启发式概率公式 | 第46-47页 |
| 4.3.3 回退策略 | 第47-48页 |
| 4.3.4 免疫算子 | 第48-51页 |
| 4.4 算法实现的主要步骤 | 第51-53页 |
| 4.5 实验结果及性能分析 | 第53-55页 |
| 4.5.1 目标固定的路径规划及性能分析 | 第53-55页 |
| 4.5.2 变动目标的路径规划 | 第55页 |
| 4.6 移动机器人实验分析 | 第55-57页 |
| 4.6.1 机器人实验配置 | 第55-56页 |
| 4.6.2 机器人路径规划实验 | 第56-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第5章 改进蚁群算法的动态路径规划 | 第58-68页 |
| 5.1 Dijkstra算法 | 第58-59页 |
| 5.2 最短路径寻优及路径建模 | 第59-61页 |
| 5.2.1 最短路寻优 | 第59页 |
| 5.2.2 路径建模 | 第59-60页 |
| 5.2.3 直线段与多边形相交性 | 第60-61页 |
| 5.3 算法流程 | 第61-63页 |
| 5.3.1 Dijkstra算法的实现步骤 | 第61页 |
| 5.3.2 机器人的动态避障 | 第61-63页 |
| 5.4 仿真实验 | 第63-66页 |
| 5.5 本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间所发表的论文 | 第76-78页 |
| 致谢 | 第78页 |
