视觉地形分类和四足机器人步态规划方法研究与应用
| 摘要 | 第1-13页 |
| ABSTRACT | 第13-16页 |
| 縮略词注释表 | 第16-17页 |
| 第一章 绪论 | 第17-37页 |
| ·论文选题背景及研究意义 | 第17-18页 |
| ·四足仿生机器人研究现状 | 第18-27页 |
| ·国外研究现状 | 第19-23页 |
| ·国内研究现状 | 第23-25页 |
| ·四足机器人发展趋势 | 第25-27页 |
| ·机器人地形分类研究现状 | 第27-30页 |
| ·基于传感器信息的地形分类方法 | 第28-29页 |
| ·基于视觉的地形分类方法 | 第29-30页 |
| ·四足机器人步态规划研究现状 | 第30-33页 |
| ·静步态规划 | 第31页 |
| ·动步态规划 | 第31-33页 |
| ·论文主要研究内容及创新点 | 第33-34页 |
| ·论文的研究思路 | 第33页 |
| ·论文的主要工作与创新点 | 第33-34页 |
| ·论文结构安排 | 第34-37页 |
| 第二章 基于视觉图像的地形分类方法 | 第37-69页 |
| ·引言 | 第37-38页 |
| ·视觉地形特征提取方法 | 第38-41页 |
| ·特征提取的滤波器组方法 | 第38-40页 |
| ·纹理词典的生成方法 | 第40页 |
| ·空间金字塔匹配方法 | 第40-41页 |
| ·快速神经网络学习算法 | 第41-46页 |
| ·ELM学习算法 | 第42-44页 |
| ·不同图像分类方法的性能比较 | 第44-46页 |
| ·ELM改进学习算法 | 第46-62页 |
| ·ELM-RBF改进学习算法 | 第46-52页 |
| ·TAF-ELM学习算法 | 第52-62页 |
| ·神经网络学习算法在视觉地形分类中的应用 | 第62-66页 |
| ·TAF-ELM学习算法在地形分类中的应用 | 第63-66页 |
| ·地形分类结果对四足机器人的影响 | 第66页 |
| ·本章小结 | 第66-69页 |
| 第三章 四足机器人腿结构设计与运动学分析 | 第69-85页 |
| ·引言 | 第69页 |
| ·四足机器人结构仿生设计 | 第69-74页 |
| ·四足机器人运动学 | 第74-84页 |
| ·正运动学分析 | 第75-78页 |
| ·入地角度对机器人性能的影响 | 第78-80页 |
| ·逆运动学分析 | 第80-84页 |
| ·本章小结 | 第84-85页 |
| 第四章 基于模型的四足机器人步态规划方法 | 第85-99页 |
| ·引言 | 第85页 |
| ·基本步态规划方法 | 第85-87页 |
| ·动步态规划方法 | 第87-90页 |
| ·四足机器人运动学方程验证 | 第90-95页 |
| ·16自由度四足机器人仿真验证 | 第90-93页 |
| ·12自由度四足机器人实验验证 | 第93-95页 |
| ·入地角度对机器人运动性能影响的仿真研究 | 第95-97页 |
| ·本章小结 | 第97-99页 |
| 第五章 基于生物仿生的四足机器人步态规划方法 | 第99-121页 |
| ·引言 | 第99-100页 |
| ·CPG振荡器模型 | 第100-103页 |
| ·Matsuoka振荡器 | 第100-101页 |
| ·Hopf振荡器 | 第101-102页 |
| ·其它神经振荡器 | 第102-103页 |
| ·基于CPG控制器的步态规划方法 | 第103-119页 |
| ·Wilson-Cowan神经振荡器 | 第103-108页 |
| ·CPG控制器参数研究 | 第108-112页 |
| ·四足机器人典型步态的生成 | 第112-116页 |
| ·四足机器人的步态变换 | 第116-119页 |
| ·本章小结 | 第119-121页 |
| 第六章 总结与展望 | 第121-125页 |
| ·总结 | 第121-122页 |
| ·展望 | 第122-125页 |
| 参考文献 | 第125-139页 |
| 致谢 | 第139-140页 |
| 攻读博士学位期间发表的学术论文 | 第140-141页 |
| 发明专利及软件著作权 | 第141页 |
| 攻读博士学位期间参加的科研项目 | 第141页 |
| 攻读博士学位期间获得的奖励 | 第141-142页 |
| 附录 | 第142-157页 |
| 学位论文评闽及答辩情况表 | 第157页 |
