| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·论文的研究背景及选题意义 | 第10-12页 |
| ·研究背景 | 第10-11页 |
| ·选题意义 | 第11-12页 |
| ·国内外研究现状及发展趋势 | 第12-14页 |
| ·机器人路径规划的研究现状 | 第12-13页 |
| ·运动控制的研究现状 | 第13-14页 |
| ·本论文的主要工作 | 第14-16页 |
| 第2章 移动机器人的运动数学模型 | 第16-22页 |
| ·移动机器人的驱动及转向 | 第16-17页 |
| ·独轮（Unicycle）与双轮（Double-wheels）机构 | 第16页 |
| ·三轮机构 | 第16-17页 |
| ·四轮机构 | 第17页 |
| ·全方位移动机构 | 第17页 |
| ·移动机器人的非完整性 | 第17-19页 |
| ·完整约束 | 第18页 |
| ·非完整约束 | 第18-19页 |
| ·移动机器人的运动学模型 | 第19-20页 |
| ·本章小节 | 第20-22页 |
| 第3章 机器人的路径规划及环境建模 | 第22-34页 |
| ·路径规划的定义 | 第22页 |
| ·路径规划的分类 | 第22-23页 |
| ·传统路径规划的方法 | 第23-25页 |
| ·可视图法（Visibility Graph） | 第23页 |
| ·结构空间法（Configuration Space） | 第23-24页 |
| ·栅格法（Grids） | 第24页 |
| ·拓扑法（Topology） | 第24页 |
| ·人工势场法（Artifical Potential Field） | 第24-25页 |
| ·智能路径规划的方法 | 第25-26页 |
| ·模糊逻辑法 | 第25页 |
| ·遗传算法（Genetic Algorithm） | 第25页 |
| ·神经网络法（Neural Network Algorithm） | 第25-26页 |
| ·蚁群算法（Ant Colony System） | 第26页 |
| ·微粒群算法（Particle Swarm Optimization，PSO） | 第26页 |
| ·环境理解与环境建模 | 第26-33页 |
| ·环境理解 | 第26页 |
| ·环境建模 | 第26-27页 |
| ·基于栅格法的环境地图建模 | 第27-30页 |
| ·基于反推传感器模型的占有栅格地图 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 蚁群算法在路径规划中的应用 | 第34-48页 |
| ·基本蚁群算法 | 第34-38页 |
| ·蚂蚁的觅食行为 | 第34-35页 |
| ·基本蚁群算法的原理 | 第35-36页 |
| ·基于旅行商问题对蚁群算法模型的描述 | 第36-38页 |
| ·蚁群算法在路径规划中的实现 | 第38-40页 |
| ·蚁群算法的参数选择原则 | 第40-47页 |
| ·信息启发式因子 | 第42-43页 |
| ·期望启发式因子 | 第43-45页 |
| ·信息素挥发因子 | 第45-46页 |
| ·基于蚁群算法的路径规划仿真实验 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 蚁群算法基于路径规划的参数优化 | 第48-54页 |
| ·“三步走”参数选择方法 | 第48页 |
| ·基于微粒群算法的参数优化方案 | 第48-52页 |
| ·蚁群算法参数优化步骤 | 第48-49页 |
| ·微粒群算法原理 | 第49-51页 |
| ·微粒群算法参数选择 | 第51-52页 |
| ·基于微粒群算法的蚁群算法参数组合优化实现 | 第52页 |
| ·本章小结 | 第52-54页 |
| 第6章 机器人的运动控制 | 第54-66页 |
| ·移动机器人的运动控制分类 | 第54页 |
| ·PID 控制法解决路径跟踪问题 | 第54-58页 |
| ·机器人路径跟踪 PID 控制器设计 | 第55-56页 |
| ·路径跟踪系统离散化 | 第56-57页 |
| ·路径跟踪控制仿真 | 第57-58页 |
| ·基于 Lyapunov 函数的轨迹跟踪 | 第58-63页 |
| ·轨迹跟踪问题描述 | 第58-60页 |
| ·跟踪控制器的设计 | 第60-62页 |
| ·轨迹跟踪仿真实验 | 第62-63页 |
| ·本章小结 | 第63-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间所发表的论文 | 第72-74页 |
| 致谢 | 第74页 |
