基于RGB-D的AGV小车避障技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外AGV小车研究状况和发展趋势 | 第11-14页 |
| 1.2.1 国外AGV小车研究状况 | 第11-12页 |
| 1.2.2 国内AGV小车研究状况 | 第12-13页 |
| 1.2.3 AGV小车发展趋势 | 第13-14页 |
| 1.3 AGV小车避障研究的方法和关键技术 | 第14页 |
| 1.4 论文章节内容安排 | 第14-16页 |
| 第二章 AGV避障理论知识与技术 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 AGV运动模型 | 第16-18页 |
| 2.3 Kinect传感器的组成与原理 | 第18-21页 |
| 2.3.1 Kinect传感器硬件组成 | 第18-19页 |
| 2.3.2 Kinect传感器成像原理 | 第19-20页 |
| 2.3.3 Kinect 3D信息获取 | 第20-21页 |
| 2.4 识别障碍物方法 | 第21-22页 |
| 2.4.1 连续帧间差分法 | 第21页 |
| 2.4.2 背景差分法 | 第21页 |
| 2.4.3 光流法 | 第21-22页 |
| 2.4.4 边缘检测算法 | 第22页 |
| 2.4.5 Graph Cut | 第22页 |
| 2.4.6 区域分割算法 | 第22页 |
| 2.5 规避障碍物方法 | 第22-26页 |
| 2.5.1 遗传算法 | 第22-23页 |
| 2.5.2 人工势场法 | 第23-24页 |
| 2.5.3 模糊控制方法 | 第24-25页 |
| 2.5.4 人工神经网络 | 第25-26页 |
| 2.5.5 模糊神经网络 | 第26页 |
| 2.6 本章总结 | 第26-27页 |
| 第三章 障碍物识别技术 | 第27-37页 |
| 3.1 引言 | 第27-28页 |
| 3.2 噪声消除 | 第28-29页 |
| 3.3 背景识别 | 第29-30页 |
| 3.4 道路识别 | 第30-33页 |
| 3.4.1 深度图像转换成视差图 | 第30-31页 |
| 3.4.2 视差图转换成U-V视差图 | 第31-33页 |
| 3.5 障碍物提取 | 第33页 |
| 3.6 相关实验 | 第33-36页 |
| 3.7 本章总结 | 第36-37页 |
| 第四章 障碍物规避技术 | 第37-47页 |
| 4.1 引言 | 第37-38页 |
| 4.2 避障模糊控制设计 | 第38-40页 |
| 4.2.1 输入量、输出量的模糊化 | 第38-39页 |
| 4.2.2 模糊控制规则的建立 | 第39-40页 |
| 4.3 避障神经网络设计 | 第40-43页 |
| 4.4 避障网络学习算法 | 第43-44页 |
| 4.5 系统设计验证 | 第44-46页 |
| 4.6 本章总结 | 第46-47页 |
| 第五章 总结与展望 | 第47-50页 |
| 5.1 论文总结 | 第47-48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55-56页 |
| 详细摘要 | 第56-58页 |
