一、数据融合技术在移动机器人研究中的应用（论文文献综述）
教育部[1]（2020）在《教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知》文中认为教材[2020]3号各省、自治区、直辖市教育厅（教委）,新疆生产建设兵团教育局:为深入贯彻党的十九届四中全会精神和全国教育大会精神,落实立德树人根本任务,完善中小学课程体系,我部组织对普通高中课程方案和语文等学科课程标准（2017年版）进行了修订。普通高中课程方案以及思想政治、语文、
徐军[2]（2020）在《基于多传感器融合的移动机器人同步定位与建图研究》文中进行了进一步梳理移动机器人要达到更高的自主性和适应性,就必需要能够在未知的环境中实现自主导航。而实现自主导航的关键技术是移动机器人的同步定位与建图（SLAM,Simultaneous Localization And Mapping）,即机器人在未知环境中移动的同时能够根据自身所携带的传感器来进行定位,并不断的在移动的过程中去创建增量式的地图。在目前的SLAM研究中主要根据机器人所使用传感器种类的不同分为:激光SLAM和视觉SLAM。激光SLAM使用激光作为机器人的传感器,它具有建图精度高、实时性好,但信息量少、累计误差大、只能检测安装平面上的障碍物。视觉SLAM使用相机作为传感器,它能获取丰富的环境信息,但其建图精度低,同时由于大量的RGB信息需要处理导致其实时性差,极易受环境和光线的影响。因此,使用单一的传感器来进行SLAM研究存在着各种缺陷,难以在实际的应用中创建出精度高、信息完整的地图。针对以上单一传感器所存在的各种缺陷,本文提出一种方案来将这两种传感器进行融合,利用融合之后的数据来创建更加精确、完整的环境地图。该方法首先利用中值滤波的原理将Kinect所采集的深度图进行完整性修复,填补其中所缺失的信息部分信息。然后将修复后的深度图转换成伪激光数据后,与激光传感器所采集的信息进行融合,利用融合的信息来构建环境的局部栅格地图。然后再利用融合的数据来进行激光回环检测,当检测到有回环存在时,再用Kinect的RGB图丰富的视觉信息来进行视觉回环校验。通过双回环检测来过滤掉错误的回环信息,在提高了全局地图的精度和完整性的同时,也避免了大量的视觉信息参与建图所带来的实时性差等问题。最后本文分别通过利用公开的数据集和在自行搭建的实验环境下,使用机器人操作系统（ROS,Robot Operating System）来进行单一的激光传感器、单一的Kinect传感器、以及这两种传感器所融合的方式来进行SLAM实验,以验证本文所提出的多传感器融合方案的可行性。实验结果表明,使用两种传感器融合的方式所创建的环境地图,在精度和完整性上都比单一传感器有更大的优势。
刘昌力[3]（2020）在《动态未知环境下的路径规划避障策略研究》文中进行了进一步梳理随着移动机器人智能程度的不断提高,生活中越来越多的无人设备得到了更广泛的应用。移动机器人相关技术的研究始终是国家尖端科技研究中的重点,也是反应一个国家高端制造业水平的重要标志,针对移动机器人技术的开发有着重要的战略意义。移动机器人对环境信息的捕捉主要基于传感器对周围环境信息的实时探测,在复杂动态的工作环境中,单独的传感器无法精确获取障碍物情况,多传感器信息融合技术使移动机器人利用多传感器组对环境信息进行充分的探测成为了可能。路径规划技术是机器人科学领域内的一个重点研究内容,如何使移动机器人在动态未知环境中对周围环境信息有更准确和敏锐的感知,从而实现精确有效的避障是研究的重难点。为提高移动机器人在动态复杂环境中对环境信息探测的精准度,本文对多传感器信息融合方法展开深入分析,针对多传感器信息利用效率低、探测不准确的问题,解构了信息融合过程中的理论基础、融合原理,并对数种加权信息融合算法进行深入研究,优化了移动机器人对多传感器信息的利用效率,提高了移动机器人对障碍物的检测精度。针对移动机器人路径规划算法中的问题,详细研究了本设计中所采用的人工势场法,对过往研究中该算法所表现出来的目标不可达问题与局部最小值问题提出相对应的改进策略。针对目标不可达问题,设计一种改进后的斥力势场修正数学模型,避免移动机器人无法抵达最终目标点;创新性的引入了基于采样的快速扩展随机树算法在先验地图上扩展探测静态环境信息,预先选取数个临时目标点的改进策略,避免移动机器人在使用人工势场法时陷入局部最小值区域,成功在动态障碍物环境中为移动机器人进行动态的实时路径规划,提高路径规划算法的适用性,解决了传统人工势场法的局部最小值问题。
吕继亮[4]（2020）在《基于多传感器信息融合的无人小车避障算法研究》文中认为随着智能化时代的到来,无人小车在众多领域中得到了广泛的应用。在未知环境下的避障技术已成为突破无人小车智能化发展瓶颈的核心技术之一。为了实现对障碍物更为准确的探知并控制无人小车作出相应的避障行为,需要引入多传感器系统以达到信息互补的目的。因此多传感器信息融合技术对无人小车能否实现良好的避障行为具有非常重要的影响。本文以自主设计的无人小车为试验平台,重点研究了多传感器信息融合技术以及基于模糊控制的避障算法,对各类无人移动平台的开发具有重要的理论意义和较强的实际应用价值。根据无人小车的避障功能需求,进行了无人小车的机械结构设计。然后建立了无人小车的运动学模型,并讨论了适用于无人小车的控制与驱动原理。确定了以STM32F407为核心的控制系统,对系统中的电气元件进行设计选型并完成整车的组装与调试。基于多传感器信息融合的数学方法,分析设计了自适应加权融合算法,并利用MATLAB对算法进行编程仿真。分析仿真结果发现:自适应加权融合算法的总方差收敛稳定在1×10-3左右,效果稳定,但是存在权值分配不当的问题。通过对算法迭代过程的优化,解决了权值分配的问题并发现数据融合结果误差在0.2%以下,表明优化后的算法具有较好的融合稳定性与精确性。基于优化后的自适应加权融合算法,分析了无人小车可能的避障环境以及避障策略。根据模糊控制原理设计了避障算法,制定了相应的模糊与反模糊规则。通过对无人小车在多种不同障碍物情况下的仿真,发现无人小车均能够避开障碍物的干扰。但运动过程中存在大量大幅度转向的问题,表明无人小车的运动不稳定。针对模糊控制避障算法中存在的问题,利用神经网络学习更新函数参数,实现了对模糊控制器的改进。分析仿真结果发现:改进后的最大偏转角度接近40°,较优化前减少了20%左右,转向次数明显减少。设计并测试了传感器测距以及电机控制程序,并通过无人小车实车实验验证了本文设计的避障算法的有效性与可靠性。
刘奕[5]（2020）在《5G网络技术对提升4G网络性能的研究》文中认为随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
王宁[6]（2020）在《自动送货机器人控制研究》文中认为随着国民经济和生活水平的不断提高,电子商务迅速发展,但快递业随之出现的种种问题在某种程度上严重影响了用户的良好体验,尤其是最后一公里问题日益突出。以在大学校园内完成快递末端配送任务的自动送货机器人作为研究对象,针对机器人控制方案、快件厢柜控制系统设计、障碍物检测、行人和机动车/自行车检测算法研究及仿真分析等几个方面进行了研究。对自动送货机器人控制方案研究,首先对快件厢柜控制系统组成进行分析,然后对控制器进行选择,最终完成快件厢柜各模块的设计,为后续快件厢柜控制系统的设计提供了理论基础。自动送货机器人由机器人本体和快件厢柜两部分组成,本体部分是机器人实现自主作业的基础,而厢柜部分不但承担快递包裹存储任务,而且根据用户指令能够准确判断出快递包裹位置并将快递包裹可靠取出。为此设计了一种基于STM32单片机的厢柜控制系统,主要包括硬件设计和软件设计。硬件设计包括对所需硬件进行选型,完成硬件连接图,并基于硬件连接图搭建实验平台;软件设计主要是对整个取货过程进行程序编写,并将编写好的程序在实验平台中运行,所得结果验证了所设计控制系统的可行性。自动送货机器人自主作业过程中障碍物检测部分尤为重要,为保证送货机器人障碍物检测的准确性,对多传感器信息融合技术进行研究,利用自适应加权融合算法对检测所得的数据进行融合。仿真结果表明,所采用的融合模型具有良好的融合性能,有效解决了单一传感器数据片面性问题,可更加准确、可靠地实现静态、动态障碍物的识别,其研究结果对今后送货机器人避障研究奠定了基础。基于校园环境的自动送货机器人研究成功将对其他半封闭环境（如工业园区、大型住宅小区）内快递自动配送有很好的借鉴意义,进而为更大范围内解决最后一公里问题提供有效而可行的解决方案。图51幅;表3个;参55篇。
袁旺[7]（2019）在《基于脑—机接口的轮式移动双臂机器人控制方法研究》文中进行了进一步梳理脑控技术在医疗康复、军事科学、科研教育、智能家居、休闲娱乐等领域具有巨大的应用价值和应用潜力。当前基于脑电信号（electroencephalograph,EEG）的机器人脑控技术在实时性、稳定性、精准性、安全性、鲁棒性和自适应性等多方面存在诸多问题。本文针对当前机器人脑控技术的不足,研究了一类复合型机器人——轮式移动双臂机器人的脑控方法。结合脑-机接口（brain-computer interface,BCI）技术与机器人控制方法,给出了物理约束下脑控冗余机械双臂（操作臂）的不对称操控、复杂环境中脑控非完整轮式移动平台（底盘）的导航避障、物理约束下脑控多个非完整轮式移动平台的并行操控等问题的解决方案,并进行了理论分析与实验验证,实现了轮式移动双臂机器人高效的人机交互。本文主要工作总结如下:1.在分析SSVEP脑电信号生理特征的基础上研究设计了多通道采集、多步骤滤波、多算法解码的SSVEP-BCI系统,并阐明了脑电信号采集转换、滤波处理、特征提取和分类识别的技术实现流程。开展的实验验证了系统的性能,并对功率谱密度分析（power spectrum density analysis,PSDA）、支持向量机（support vector machine,SVM）、典型相关分析（canonical correlation analysis,CCA）和多变量同步指数（multivariate synchronization index,MSI）四种脑电识别算法的分类识别效果进行了比较分析。2.针对物理约束下脑控冗余机械双臂的不对称操控问题,提出了操控双臂末端执行器相对运动的脑控策略。首先,利用相对雅克比矩阵把双臂的运动规划问题简化为一个机械臂的运动规划问题;然后,提出了相比常规曼哈顿网格脑控方式更安全的极坐标脑控方式来控制简化后的机械臂的末端执行器在限定平面内的运动,脑电分类结果对应末端执行器在极坐标系下的径向和转向运动以规划其在限定平面内的轨迹;由于自由度冗余,任务空间轨迹在向关节空间转化时存在着多解或无穷解,为了找到满足优化准则且考虑关节位置和关节速度限制等物理约束的最优解,将这个带有约束条件的运动优化问题转化为二次规划（quadratic programming,QP）问题;最后,采用基于线性可变不等式（linear variational inequalities,LVI）的原对偶神经网络（primal-dual neural network,PDNN）简化计算量在线求解此二次规划问题得到最优关节角速度,从而获得机械臂关节空间的最优轨迹,避免了关节偏差角现象,保障了脑控机械双臂相对运动的可重复性、实时性和安全性。3.针对复杂环境中脑控非完整轮式移动平台的导航避障问题,提出了适用于地面打滑、颜色杂乱、光线不均、多障碍物环境中的半自主脑控导航避障策略。首先,提出了多源信息融合的同步定位与构图（simultaneous localization and mapping,SLAM）方法保障了机器人在地面打滑、背景颜色杂乱、光线不均匀环境中的实时定位与精准构图;然后,提出了具有全局位姿收敛性质的人工势场（artificial potential field,APF）法进行障碍物环境下安全的路径规划,其在避障的同时可克服非完整约束实现机器人位姿的收敛;接着,为适应地面打滑干扰,运用基于微分平坦理论的鲁棒控制器来跟踪规划的瞬时轨迹,其全面地考虑机器人与地面横向、纵向、转向打滑来抵消和抑制打滑干扰。以上三者结合的导航策略在非完整轮式移动平台的每一控制周期内形成了定位更新、路径搜寻、轨迹生成、轨迹跟踪的闭环结构,使得在线导航精准、稳定而高效。最后,在上述导航策略基础上,创造性地提出了EEG信号改变人工势场的轮式移动机器人脑控方法,定义了脑电分类结果与作用于非完整轮式移动平台上人工势场分布的转换关系,从而形成了人的控制意图与机器人避障行为的直觉映射,机器人在人工势场作用下自动向目标位姿收敛,这种半自主脑控导航避障方式减少了操作者操作负担。4.针对物理约束下脑控多个非完整轮式移动平台的并行操控问题,提出了基于非线性模型预测控制（nonlinear model predictive control,NMPC）的领航-跟随型编队控制方法,通过脑-机接口控制编队系统中的领航机器人来实现对多机器人的脑控操作。首先,在受脑控的领航机器人上设置两个特征点,根据相机透视投影模型,借助图像坐标系、摄像头坐标系、跟随机器人坐标系和惯性坐标系之间的映射关系,建立起多个非完整轮式移动机器人的视觉编队运动学模型;然后,采用模型预测控制考虑系统的非完整约束、输入约束和系统状态约束等来稳定系统,把模型预测控制滚动优化过程中的最小化代价函数问题转化为二次规划问题;最后,通过基于线性可变不等式的原对偶神经网络优化方法在线快速求解编队控制二次规划问题的最优解。通过提出的领航-跟随型编队控制方法,跟随机器人可从不同的初始状态镇定到由脑控领航机器人所带领的运动状态。由于运用的模型预测控制是一种滚动时域的闭环优化控制策略具有较好的抗干扰能力,且控制过程中周全地考虑了编队系统的各物理约束,此外运用的原对偶神经网络能快速求解模型预测控制过程中的优化问题,因此提出的编队控制方法对应地保障了脑控多机器人并行操作较好的稳定性、鲁棒性、平滑性、安全性以及实时性。
魏新[8]（2019）在《基于多信息融合的移动机器人动态避障》文中研究指明随着智能化时代的到来,移动机器人已经在各个领域得到了广泛应用。在移动机器人智能化发展中,避障效果的优劣严重影响定位与导航的实现效果。经过长期的研究,在静态环境中的避障研究已取得良好的成效,但在动态环境下避障效果仍不理想。因此,本文针对动态环境下的移动机器人避障问题展开研究具有非常重要的理论意义和实际应用价值。本文首先对动态避障系统进行分析研究,完成总体系统方案的设计。根据所设计方案对各个硬件模块以及涉及软件平台进行阐述。通过对本文的主要研究内容进行分析,确定了研究重点为对外部检测传感器信息的融合与动态避障算法的改进。本文在检测动态环境中的障碍物时,针对障碍物多样性以及单一传感器检测时的自身缺陷,造成环境检测结果不准确而出现避障失败的问题,提出了将激光传感器与超声波传感器检测数据采用区域融合规则与贝叶斯估计相结合的融合方式,从而获得更加准确的环境信息。实验结果表明该方法能够互补两种传感器缺点使检测结果更准确有效。同时将内部传感器IMU、霍尔编码器与外部激光传感器使用扩展卡尔曼滤波融合,完成了移动机器人运动状态的实时检测。针对Q学习动态避障算法在更新Q值的过程计算时间过长且易发散的缺陷,本文提出了一种基于神经网络的改进Q学习动态避障算法。该算法通过神经网络对Q值训练过程进行约束,使算法更容易收敛,并且可以提高避障安全性。经实验验证,该改进算法收敛速度更快,使得机器人避障更高效。最后,本文设计与构建了一个基于多信息融合的移动机器人动态避障系统,通过配置上层基于ROS的SLAM软件平台的设计与调试下层基于STM32的嵌入式控制板,完成移动机器人整体的构建。然后通过搭建实际实验场景,对本文所提出的整体动态避障方法的各项性能进行验证,其中包括准确性、安全性以及有效性。分析记录的实验结果数据,表明了本文所提出的基于多信息融合的移动机器人动态避障方法对环境进行检测更准确有效且避障效果更安全高效。
罗文兴[9]（2018）在《面向教育机器人的室内定位研究》文中认为随着人工智能、通信技术、网络技术和电子元器件等领域快速发展,基于相关领域的技术成果研发并具有提供丰富智能教育服务的教育机器人成为了教育信息技术领域热点研究课题。教育机器人在许多应用情景中,需要进行自身的位置发现或对目标物体位置的定位才能为服务对象提供智能教育服务。当教育机器人在室外时,可以利用全球卫星导航定位系统（GNSS）为其提供相关的定位服务。但是,关于教育机器人的室内定位目前还没有成熟的解决方案。由于无线信号受到建筑物、室内物体,人为活动和信号干扰等不利因素影响,基于教育机器人的室内定位研究已经成为了一个难题。许多的科研院所、高校、企业等都投入了资源研究室内定位,以及在教育机器人上的应用。面向教育机器人的室内定位需要在复杂的室内环境中实现,以便教育机器人能够提供各种智能服务。单一的室内定位技术已经不能很好地满足这样的服务需求,选用多种定位技术进行融合定位教育机器人就很有必要。随着WiFi的应用普及,使用教育机器人的室内环境中大多有WiFi信号。另一方面,由于物联网的广泛应用,RFID技术也得到了推广。在兼顾成本、适应性及应用推广的前提下,本研究结合WiFi和RFID技术,提出了一种有效的面向教育机器人室内无线指纹融合定位的解决方案;为了能够对室内活动的教育机器人进行更好的定位,本文提出了一种有效的异构无线网络空间布局方案,通过粗细指纹结合,融合WiFi和RFID无线指纹定位技术;本文提出了基于RSS能势场导航路由决策定位算法,实现了教育机器人在室内多场景中基于定位服务的应用。本文主要创新点及贡献如下:（1）在无线网络空间布局设计中,本文提出了异构无线网络布局思路,在WiFi网络覆盖的大区域,利用三角形结构布局无线接入点（AP）;在RFID网络覆盖的小区域,提出了利用多种多边形组合而成的结构布局电子标签（Tag）方案。地面标签布局采取了多粒度指纹结合的布局方式,根据不同定位精度需要可调整指纹粒度间隔。（2）在不同区域获取的数据可能会受到各种干扰因素影响,导致信号特征发生变化,因而采集RSS的数据不能直接用于教育机器人的定位,本文提出了一种有效的数据均值叠加平滑处理方法,首先对每一个采样点的独立AP进行RSS均值叠加并进行平滑处理,在每一个采样点上获取相对优化的RSS均值;其次在其他AP覆盖区域的每个采样点上对RSS信号进行均值平滑处理,在不同定位区域对不同AP的RSS信号进行叠加再均值平滑处理,获取在不同区域的RSS数据分布特征;最后根据不同AP的RSS均值数据进行联合定位。（3）基于电子标签布局的导航定位研究,本文提出了基于RSS能势场导航路由决策定位算法,通过算法实现了教育机器人自主导航到指定的服务位置。（4）本论文研究的室内定位方法成功应用于本团队研发的三款教育机器人,是构成它们自主避障、测距和路径规划的能力的关键技术。
庄严[10]（2004）在《移动机器人基于多传感器数据融合的定位及地图创建研究》文中研究说明随着智能控制技术、计算机和网络技术以及仿生学、人工智能等学科的飞速发展,智能移动机器人技术的研究越来越受到国内外学者的重视。自主定位和地图创建是移动机器人智能导航和环境探索研究的基础,定位精度和所构建地图的准确性是其能否在实际环境中成功应用的前提。移动机器人的工作环境可分为室外环境和室内环境两种,本文主要针对非完整移动机器人在室内环境中的自主定位和地图创建两个核心问题进行研究。 本文的研究工作是基于装配有多种传感器的SmartROB-2自主移动机器人平台展开的。该移动机器人平台配备有可完成特定水平面360°测距的双激光测距仪,负责完成室内环境图像采集的单目视觉系统,全方位的碰撞传感器以及用于航位推算的内部里程计。多种传感器相互协助可以给移动机器人提供丰富的环境信息以实现自主定位和地图创建。 本文首先对移动机器人运动控制和主要传感器的模型及其不确定性进行讨论。重点分析了不同环境因素对激光测距的影响,完成了激光测距中距离和角度的方差分布计算,并依据误差传递公式给出激光测距不确定信息描述的具体形式;讨论了由里程计进行航位推算的局限性,通过对里程计误差的详细分析,提出了机器人位姿误差协方差矩阵的更新方程;针对视觉系统完成了CCD摄像机的标定工作,实现了视觉图像扭曲的有效校正。 在具有不确定信息的准结构化室内环境中,移动机器人要实现完全自主定位和全局环境地图的构建,首先要解决环境信息的特征提取与融合问题。针对环境中水平线段特征和激光测距数据的特性,提出基于改进角度直方图和加权最小二乘拟合的处理方法。在视觉图像处理中,本文先采用索贝尔算子和非最大抑制算法进行边缘像素的增强和细化,再使用多列像素直方图算法完成物体垂直边缘的有效提取。针对多传感器数据在特征层次的融合问题,本文提出将测距数据和图像数据统一到视觉坐标系下,再对已提取的垂直边缘线段的开角与水平环境特征开角进行匹配的处理方法,并在应用中取得良好效果。 移动机器人定位和地图创建所选用的方法与环境空间的表述方式是密切相关的。对基于先验地图的移动机器人定位问题,本文分别对扩展卡尔曼滤波定位、基于概率模型全局定位和基于先验几何—拓扑混合地图定位这三种主要方法进行了系统研究。在基于实际机器人平台所开发的机器人远程监控软件辅助下,本文在走廊、办公室等室内准结构化环境中完成了一系列验证实验。针对移动机器人运动中定位所涉及的多传感器协调等关键技术问题,本文提出基于XO/2系统实时多任务调度机制的具体解决方案,并在实验中验证了有效性。为解决没有先验地图信息支持的移动机器人定位问题,本文提出了同时进行扩展卡尔曼滤波定位和构建具有不确定描述二维几何地图的具体算法,并在实际平台上实现了同时进行厘米级定位和实时创建、更新全局地图的功能。通过对实验结果和数据的进一步分析讨论,论证了所提方法的实用性、精确性和鲁棒性。
二、数据融合技术在移动机器人研究中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据融合技术在移动机器人研究中的应用（论文提纲范文）
（2）基于多传感器融合的移动机器人同步定位与建图研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 发展趋势 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 移动机器人系统建模 |
| 2.1 坐标系模型 |
| 2.2 机器人运动学模型 |
| 2.3 里程计模型 |
| 2.4 传感器模型 |
| 2.4.1 激光雷达模型 |
| 2.4.2 相机模型 |
| 2.5 地图模型 |
| 2.6 本章小结 |
| 第3章 SLAM的理论研究 |
| 3.1 SLAM的流程及框架 |
| 3.1.1 传感器数据 |
| 3.1.2 前端 |
| 3.1.3 后端 |
| 3.1.4 回环检测 |
| 3.1.5 建图 |
| 3.2 SLAM的研究内容 |
| 3.2.1 SLAM问题描述 |
| 3.2.2 激光SLAM |
| 3.2.3 视觉SLAM |
| 3.3 基于扩展卡尔曼滤波的SLAM算法 |
| 3.3.1 引言 |
| 3.3.2 EKF算法的原理 |
| 3.3.3 EKF算法在SLAM中的实现 |
| 3.3.4 EKF-SLAM的仿真分析 |
| 3.4 基于粒子滤波的SLAM算法 |
| 3.4.1 PF算法的原理 |
| 3.4.2 PF算法在SLAM中的实现 |
| 3.4.3 基于PF的 SLAM仿真分析 |
| 3.5 基于图优化的SLAM算法 |
| 3.5.1 图优化的基本原理 |
| 3.5.2 图优化的具体实现过程 |
| 3.6 本章小结 |
| 第4章 融合激光与Kinect的 SLAM研究 |
| 4.1 多传感器融合的优势 |
| 4.2 多传感器融合的方案 |
| 4.2.1 多传感器融合的模式 |
| 4.2.2 数据融合的层次 |
| 4.2.3 多传感器融合算法 |
| 4.3 激光与Kinect融合的方法 |
| 4.3.1 引言 |
| 4.3.2 本文融合方案 |
| 4.4 具体流程 |
| 4.4.1 激光采集环境数据的方式 |
| 4.4.2 Kinect深度数据转换成激光格式数据 |
| 4.4.3 融合激光与Kinect深度数据 |
| 4.4.4 激光回环的方案 |
| 4.4.5 激光和Kinect传感器融合建图 |
| 4.5 本章小结 |
| 第5章 移动平台的搭建和实验分析 |
| 5.1 实验平台搭建 |
| 5.1.1 硬件条件 |
| 5.1.2 软件系统 |
| 5.2 多传感器融合的同步定位与建图实验 |
| 5.2.1 大型环境中建图实验 |
| 5.2.2 综合环境中建图实验 |
| 5.2.3 室内结构化环境中建图实验 |
| 5.2.4 实验结果分析 |
| 5.3 机器人的导航定位实验 |
| 5.3.1 导航定位仿真分析 |
| 5.3.2 导航与路径规划实验研究 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（3）动态未知环境下的路径规划避障策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传感器信息融合技术在移动机器人中应用的研究现状 |
| 1.2.2 路径规划的研究现状 |
| 1.2.2.1 国内外研究现状分析 |
| 1.2.2.2 移动机器人避障策略发展趋势 |
| 1.3 研究内容及思路 |
| 第二章 基于加权信息融合算法的信息融合技术研究 |
| 2.1 多传感器信息融合概述 |
| 2.2 多传感器信息融合的障碍物检测原理 |
| 2.2.1 多传感器信息的表示与转换 |
| 2.2.2 基于层次的信息融合方式 |
| 2.2.3 传感器误差建模 |
| 2.2.4 多传感器信息融合的一般方法 |
| 2.3 基于超声波传感器对障碍物的检测 |
| 2.3.1 超声波传感器的测距原理 |
| 2.3.2 超声波传感器的误差分析 |
| 2.3.3 超声波传感器组分布方案 |
| 2.4 几种加权信息融合算法原理 |
| 2.4.1 加权平均融合算法 |
| 2.4.2 最优加权融合算法 |
| 2.4.3 自适应加权融合算法 |
| 2.5 仿真及结果分析 |
| 2.6 本章小结 |
| 第三章 移动机器人避障算法研究 |
| 3.1 传统人工势场法避障原理 |
| 3.2 传统人工势场法函数分析 |
| 3.2.1 引力函数 |
| 3.2.2 斥力函数 |
| 3.3 势场作用力分析 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第四章 改进的人工势场法 |
| 4.1 传统人工势场法缺陷分析 |
| 4.2 目标不可达问题 |
| 4.2.1 原因分析 |
| 4.2.2 斥力势场数学函数优化 |
| 4.2.3 仿真实验 |
| 4.3 局部极小值问题 |
| 4.3.1 原因分析 |
| 4.3.2 临时子目标优化策略 |
| 4.4 本章小结 |
| 第五章 人工势场法与快速扩展随机树融合算法 |
| 5.1 融合算法的优势 |
| 5.2 快速扩展随机树算法 |
| 5.3 RRT算法分析 |
| 5.3.1 扩展阶段 |
| 5.3.2 路径查询阶段 |
| 5.3.3 仿真实验 |
| 5.4 APF-RRT融合算法 |
| 5.5 仿真实验 |
| 5.6 本章小结 |
| 第六章 论文总结及展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（4）基于多传感器信息融合的无人小车避障算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 多传感器信息融合技术与应用的研究现状 |
| 1.2.1 多传感器信息融合技术的研究现状 |
| 1.2.2 多传感器信息融合技术的应用研究现状 |
| 1.3 避障技术研究现状与发展趋势 |
| 1.3.1 避障技术研究现状 |
| 1.3.2 避障技术的发展趋势 |
| 1.4 课题研究目的和本文的主要研究内容 |
| 1.4.1 本课题的研究目的 |
| 1.4.2 本文的主要研究内容 |
| 第二章 无人小车的机械结构与控制系统设计 |
| 2.1 机械结构设计 |
| 2.2 运动控制策略 |
| 2.2.1 无人小车的运动学模型 |
| 2.2.2 控制原理分析 |
| 2.2.3 转弯半径分析 |
| 2.3 控制系统设计 |
| 2.3.1 控制系统的总体设计 |
| 2.3.2 硬件模块的选型 |
| 2.4 本章小结 |
| 第三章 多传感器信息融合算法的设计与仿真 |
| 3.1 多传感器信息融合技术的基本内容 |
| 3.1.1 信息融合的技术难点 |
| 3.1.2 信息融合级别 |
| 3.1.3 信息融合结构 |
| 3.1.4 常见的多传感器信息融合算法 |
| 3.2 自适应加权融合算法的设计与仿真 |
| 3.2.1 不同种类传感器的信息融合 |
| 3.2.2 自适应加权信息融合算法 |
| 3.2.3 算法设计及其MATLAB仿真 |
| 3.3 自适应加权多传感器信息融合算法的改进及其MATLAB仿真 |
| 3.4 本章小结 |
| 第四章 基于模糊控制器的避障算法设计与仿真 |
| 4.1 环境障碍物的分布情况分析 |
| 4.2 模糊控制的基本原理 |
| 4.2.1 模糊控制理论简介 |
| 4.2.2 控制算法的组成部分 |
| 4.2.3 模糊控制的优缺点 |
| 4.3 基于模糊控制的避障算法设计 |
| 4.3.1 输入输出参量的确定及模糊化 |
| 4.3.2 制定模糊规则 |
| 4.3.3 反模糊化 |
| 4.4 基于MATLAB的仿真与分析 |
| 4.5 本章小结 |
| 第五章 模糊神经网络算法设计及实验分析 |
| 5.1 模糊神经网络控制技术 |
| 5.1.1 神经网络算法简介 |
| 5.1.2 模糊控制与神经网络的融合方式 |
| 5.2 模糊神经网络算法设计与仿真 |
| 5.2.1 模糊神经网络结构设计 |
| 5.2.2 参数优化过程 |
| 5.2.3 模糊神经网络算法的MATLAB仿真 |
| 5.3 实验与分析 |
| 5.3.1 传感器测距程序设计与实验 |
| 5.3.2 电机控制程序设计 |
| 5.3.3 无人小车避障实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 模糊规则表 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（6）自动送货机器人控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 文献综述 |
| 1.1 校园自动送货机器人研究意义 |
| 1.2 自动送货机器人国内外发展现状 |
| 1.2.1 国内自动送货机器人发展现状 |
| 1.2.2 国外自动送货机器人发展现状 |
| 1.3 自动送货机器人关键技术 |
| 1.3.1 环境感知技术 |
| 1.3.2 路径规划技术 |
| 1.3.3 定位导航技术 |
| 1.3.4 行为决策及运动控制技术 |
| 1.3.5 远程监控技术 |
| 1.4 信息融合技术在移动机器人中的应用 |
| 1.5 本章小结 |
| 第2章 自动送货机器人控制方案研究 |
| 2.1 快件厢柜控制系统组成 |
| 2.2 快件厢柜控制系统控制器选择 |
| 2.2.1 常见控制器 |
| 2.2.2 控制器选择 |
| 2.3 快件厢柜控制系统控制要求 |
| 2.3.1 快件厢柜控制系统功能介绍 |
| 2.3.2 快件厢柜控制系统模块化设计 |
| 2.4 本章小结 |
| 第3章 自动送货机器人快件厢柜控制系统设计 |
| 3.1 快件厢柜控制系统硬件设计 |
| 3.1.1 STM32F407ZGT6 单片机 |
| 3.1.2 电动机及驱动部分选型 |
| 3.1.3 单片机外围电路设计 |
| 3.1.4 限位开关和传感器的选型及布置 |
| 3.1.5 寻址部分设计 |
| 3.1.6 显示模块选型 |
| 3.1.7 实验平台设计 |
| 3.2 快件厢柜控制系统软件设计 |
| 3.2.1 快件厢柜控制系统软件流程设计 |
| 3.2.2 软件开发环境及编程方式 |
| 3.2.3 取货平台设计 |
| 3.2.4 取货装置初始化设计 |
| 3.2.5 串口通讯设计 |
| 3.2.6 电机启动控制设计 |
| 3.3 本章小结 |
| 第4章 自动送货机器人障碍物检测 |
| 4.1 自动送货机器人障碍物检测意义 |
| 4.2 自动送货机器人障碍物检测传感器 |
| 4.2.1 自动送货机器人障碍物检测传感器种类及其原理 |
| 4.2.2 自动送货机器人障碍物检测传感器选择 |
| 4.2.3 自动送货机器人障碍物检测传感器布置 |
| 4.3 本章小结 |
| 第5章 自动送货机器人障碍物检测算法及仿真研究 |
| 5.1 多传感器信息融合理论 |
| 5.1.1 多传感器信息融合常用算法及选择 |
| 5.1.2 多传感器信息融合的基本层次 |
| 5.2 多传感器信息融合算法设计 |
| 5.2.1 传感器数据坐标转换 |
| 5.2.2 传感器数据预处理 |
| 5.2.3 送货机器人障碍物检测算法设计 |
| 5.2.4 多传感器信息融合算法及应用 |
| 5.3 多传感器信息算法仿真结果及分析 |
| 5.3.1 行人目标检测算法仿真结果及分析 |
| 5.3.2 机动车/自行车目标检测算法仿真结果及分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 企业导师简介 |
| 作者简介 |
| 学位论文数据集 |
（7）基于脑—机接口的轮式移动双臂机器人控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 英文缩略词 |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外脑控机器人研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 脑控机器人关键技术 |
| 1.3.1 脑-机接口技术 |
| 1.3.2 冗余机械臂逆运动学优化 |
| 1.3.3 移动机器人自主定位 |
| 1.3.4 移动机器人路径规划 |
| 1.3.5 移动机器人运动控制 |
| 1.3.6 存在问题与挑战 |
| 1.4 研究内容及论文结构 |
| 1.5 本章小结 |
| 第二章 基于稳态视觉诱发电位的脑-机接口系统设计 |
| 2.1 引言 |
| 2.2 SSVEP脑-机接口介绍 |
| 2.3 SSVEP诱发界面设置 |
| 2.4 SSVEP信号采集 |
| 2.5 SSVEP信号分析 |
| 2.5.1 功率谱密度估计 |
| 2.5.2 支持向量机 |
| 2.5.3 典型相关分析 |
| 2.5.4 多变量同步指数 |
| 2.6 脑电信号分类识别实验 |
| 2.7 本章小结 |
| 第三章 物理约束下脑控冗余机械双臂的不对称操控 |
| 3.1 引言 |
| 3.2 双臂相对运动及相对雅可比矩阵 |
| 3.3 脑电分类结果与末端执行器运动的映射关系 |
| 3.4 基于原对偶神经网络优化的关节空间控制 |
| 3.5 系统构建与实现 |
| 3.5.1 硬件组成 |
| 3.5.2 软件设计 |
| 3.6 系统交互过程 |
| 3.7 实验分析 |
| 3.8 本章小结 |
| 第四章 复杂环境中脑控非完整轮式移动平台的导航避障 |
| 4.1 引言 |
| 4.2 非完整轮式移动平台运动学模型 |
| 4.3 多源信息融合的同步定位与构图 |
| 4.3.1 凹型矩形特征提取 |
| 4.3.2 彩色二维码特征提取 |
| 4.3.3 基于扩展卡尔曼滤波的多源信息融合 |
| 4.3.4 基于激光传感器信息的全局地图构建 |
| 4.4 基于人工势场的轨迹规划方法 |
| 4.4.1 常规人工势场 |
| 4.4.2 极性人工势场 |
| 4.5 轨迹跟踪控制策略 |
| 4.5.1 基于李雅普诺夫直接法的常规控制器 |
| 4.5.2 基于微分平坦理论的鲁棒跟踪控制器 |
| 4.6 脑电分类结果与人工势场分布的映射关系 |
| 4.7 系统构建与实现 |
| 4.7.1 硬件组成 |
| 4.7.2 软件设计 |
| 4.8 系统交互过程 |
| 4.9 实验分析 |
| 4.9.1 多源信息融合的定位与构图实验 |
| 4.9.2 极性势场法与常规势场法轨迹规划对比实验 |
| 4.9.3 常规控制器与鲁棒控制器轨迹跟踪对比实验 |
| 4.9.4 脑控非完整轮式移动平台的自主导航避障实验 |
| 4.9.5 脑控非完整轮式移动平台的半自主导航避障实验 |
| 4.10 本章小结 |
| 第五章 物理约束下脑控多个非完整轮式移动平台的并行操控 |
| 5.1 模型建立 |
| 5.1.1 非完整轮式移动平台的运动学模型 |
| 5.1.2 单目视觉模型 |
| 5.1.3 SBOS编队系统运动学模型 |
| 5.1.4 TPPS编队系统运动学模型 |
| 5.1.5 编队系统离散化的计算模型 |
| 5.2 非线性模型预测控制 |
| 5.3 原对偶神经网络动力学优化 |
| 5.4 脑控多个非完整轮式移动平台的交互过程 |
| 5.5 实验分析 |
| 5.5.1 基于SBOS运动学模型的编队控制实验 |
| 5.5.2 基于TPPS运动学模型的编队控制实验 |
| 5.5.3 脑控多个非完整轮式移动平台的并行操控实验 |
| 5.6 结论 |
| 结论与展望 |
| 参考文献 |
| 附录 |
| 附录1 引理5.1的证明 |
| 附录2 引理5.2的证明 |
| 附录3 引理5.3的证明 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）基于多信息融合的移动机器人动态避障（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 移动机器人发展概述 |
| 1.2.2 多传感器信息融合发展概述 |
| 1.2.3 移动机器人避障研究概述 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 1.5 本章小节 |
| 第2章 动态避障系统总体方案设计 |
| 2.1 系统总体结构设计 |
| 2.2 硬件平台 |
| 2.3 软件平台 |
| 2.3.1 上层软件设计平台 |
| 2.3.2 嵌入式软件设计平台 |
| 2.4 本章小结 |
| 第3章 基于传感器信息融合的环境信息检测与运动状态检测 |
| 3.1 数据融合技术 |
| 3.2 传感器数据预处理 |
| 3.2.1 超声波信号消噪 |
| 3.2.2 超声波传感器区域划分 |
| 3.2.3 激光传感器数据区域划分 |
| 3.3 基于传感器融合的环境障碍物信息检测 |
| 3.3.1 基于超声波和激光传感器数据融合 |
| 3.3.2 基于传感器数据融合的环境障碍物信息检测 |
| 3.4 基于传感器数据融合的障碍物信息检测有效性验证 |
| 3.5 移动机器人实时运动状态检测 |
| 3.5.1 卡尔曼滤波算法 |
| 3.5.2 基于传感器融合的移动机器人运动状态检测 |
| 3.6 本章小节 |
| 第4章 基于Q学习的动态避障算法研究 |
| 4.1 强化学习算法基础知识 |
| 4.1.1 马尔科夫决策过程(MDP) |
| 4.1.2 Q学习算法 |
| 4.2 基于改进Q学习动态避障算法 |
| 4.2.1 运动轨迹规划 |
| 4.2.2 改进Q学习算法的具体实施 |
| 4.3 改进动态避障算法有效性验证 |
| 4.4 本章小节 |
| 第5章 移动机器人避障系统的设计与实现 |
| 5.1 系统平台搭建与静态地图构建 |
| 5.1.1 平台搭建前准备工作 |
| 5.1.2 系统平台的搭建与调试 |
| 5.1.3 实验静态环境地图构建 |
| 5.2 系统实验与结果分析 |
| 5.3 本章小节 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）面向教育机器人的室内定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.3 研究的目的和意义 |
| 1.4 研究内容与创新 |
| 1.5 论文章节安排 |
| 第2章 定位技术理论基础及误差分析方法 |
| 2.1 定位技术概述 |
| 2.1.1 室外定位技术 |
| 2.1.2 室内定位技术 |
| 2.2 室内定位技术的理论基础 |
| 2.2.1 参数化室内定位方法 |
| 2.2.2 非参数化室内定位方法 |
| 2.3 定位误差分析方法 |
| 2.3.1 参数化室内定位精度影响因素 |
| 2.3.2 制约现有非参数化室内定位精度的因素 |
| 2.4 本章小结 |
| 第3章 教育机器人室内WiFi指纹定位研究 |
| 3.1 WiFi定位基本理论基础 |
| 3.1.1 WiFi技术概述 |
| 3.1.2 WiFi网络结构 |
| 3.1.3 WiFi网络定位 |
| 3.2 WiFi指纹算法研究 |
| 3.3 WiFi网络布局研究 |
| 3.4 WiFi指纹地图的构建探讨 |
| 3.5 室内多场景下WiFi指纹数据库的构建 |
| 3.5.1 WiFi指纹数据库构建场景选择 |
| 3.5.2 WiFi指纹定位场景布局 |
| 3.5.3 离线阶段RSS指纹栅格建立 |
| 3.5.4 离线阶段RSS数据采集 |
| 3.5.5 离线阶段RSS数据建库数据处理探讨 |
| 3.6 WiFi指纹室内多场景定位研究 |
| 3.6.1 无障碍细长场景 |
| 3.6.2 宽敞又极少障碍物的场景 |
| 3.6.3 宽敞但有极多障碍物的场景 |
| 3.7 实验效果分析 |
| 3.8 本章小结 |
| 第4章 教育机器人室内RFID指纹定位研究 |
| 4.1 RFID定位基本原理 |
| 4.1.1 阅读器定位 |
| 4.1.2 标签定位 |
| 4.2 RFID指纹定位投影位置定位研究 |
| 4.2.1 投影区域Tags的布局 |
| 4.2.2 教育机器人信号采集方法 |
| 4.2.3 信号处理方法的研究 |
| 4.2.4 基于投影位置的定位实验及效果分析 |
| 4.3 本章小结 |
| 第5章 WiFi+RFID定位技术融合定位教育机器人研究 |
| 5.1 融合定位的优势分析 |
| 5.2 WiFi+RFID融合定位在投影区域定位研究 |
| 5.2.1 WiFi定位技术特性 |
| 5.2.2 RFID定位技术特性 |
| 5.2.3 WiFi+RFID融合定位 |
| 5.3 本章小结 |
| 第6章 定位技术在教育机器人室内服务中的应用 |
| 6.1 教育机器人室内应用服务需要面对的问题 |
| 6.2 教育机器人平台建设 |
| 6.2.1 教育机器人基础平台框架 |
| 6.2.2 研发的教育机器人平台 |
| 6.3 定位技术在多种教学场景下的应用 |
| 6.3.1 定位技术在展厅的应用 |
| 6.3.2 定位技术在教育机器人自主充电中的应用 |
| 6.3.3 定位技术在教育机器人投影推送服务中的应用 |
| 6.3.4 定位技术在教育机器人语音交互中的应用 |
| 6.3.5 定位技术在教育机器人扫码链接云平台中的应用 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文研究总结 |
| 7.2 下一步研究和展望 |
| 参考文献 |
| 攻读博士期间发表的论文 |
| 致谢 |
（10）移动机器人基于多传感器数据融合的定位及地图创建研究（论文提纲范文）
| 1 绪论 |
| 1.1 移动机器人发展状况概述 |
| 1.1.1 国外移动机器人发展状况 |
| 1.1.2 国内移动机器人研究状况 |
| 1.2 自主移动机器人的关键技术及其发展趋势 |
| 1.2.1 自主移动机器人的研究重点和关键技术 |
| 1.2.2 自主移动机器人研究的发展趋势 |
| 1.3 SmartROB-2嵌入式移动机器人平台 |
| 1.3.1 嵌入式移动机器人系统的体系结构 |
| 1.3.2 SmartROB-2机器人硬件架构 |
| 1.3.3 强实时嵌入式操作系统 XO/2 |
| 1.4 基于智能机器人平台开展创新控制教育 |
| 1.5 本文主要工作 |
| 2 非完整移动机器人运动控制及传感器模型 |
| 2.1 非完整移动机器人系统基本概念和数学表示 |
| 2.2 非完整轮式移动机器人的运动控制 |
| 2.2.1 差动传动机器人速度控制率 |
| 2.2.2 非完整两轮移动机器人位姿反馈控制率 |
| 2.2.3 非完整两轮移动机器人典型运动控制问题 |
| 2.3 自主移动机器人传感器分类介绍及比较 |
| 2.3.1 内部传感器 |
| 2.3.2 测距传感器 |
| 2.3.3 视觉传感器 |
| 2.3.4 碰撞传感器 |
| 2.4 传感器模型 |
| 2.4.1 里程计模型 |
| 2.4.2 激光测距仪模型 |
| 2.4.3 CCD摄像机模型 |
| 2.5 不确定性信息描述与误差分析 |
| 2.5.1 里程计的局限及误差传递 |
| 2.5.2 激光测距仪误差分析 |
| 2.6 小结 |
| 3 基于多传感器的环境特征提取与信息融合 |
| 3.1 基于双激光测距仪的室内环境特征描述与提取 |
| 3.1.1 基于双激光测距仪的原始数据预处理 |
| 3.1.2 改进角度直方图方法 |
| 3.1.3 线段特征的加权最小二乘拟合 |
| 3.2 基于单目视觉的室内环境特征描述与提取 |
| 3.3 特征匹配融合与自然陆标的生成 |
| 3.3.1 水平线段特征合并 |
| 3.3.2 不同传感器获取特征的匹配融合 |
| 3.3.3 自然陆标的辨识与确定 |
| 3.4 移动机器人多传感器集成及环境信息融合 |
| 3.4.1 SmartROB-2移动机器人的多传感器集成 |
| 3.4.2 基于多传感器的环境信息融合 |
| 3.4.3 移动机器人导航中多传感器融合的实现 |
| 3.5 小结 |
| 4 自主移动机器人基于先验地图的定位研究 |
| 4.1 自主移动机器人运动空间的表述 |
| 4.1.1 移动机器人空间表述的分类 |
| 4.1.2 移动机器人空间的度量表述方法 |
| 4.1.3 移动机器人空间的拓扑表述方法 |
| 4.1.4 移动机器人空间的混合表述方法 |
| 4.1.5 移动机器人空间表述方法比较 |
| 4.2 自主移动机器人基于先验地图的定位 |
| 4.2.1 自主移动机器人基于扩展卡尔曼滤波的定位 |
| 4.2.2 自主移动机器人基于概率模型的全局定位 |
| 4.2.3 自主移动机器人基于先验几何-拓扑混合地图的定位 |
| 4.3 小结 |
| 5 自主移动机器人的同时定位和地图创建 |
| 5.1 同时定位和地图创建研究中的主要问题 |
| 5.2 同时定位和地图创建及其算法的具体实现 |
| 5.2.1 SLAM中的地图创建的实现 |
| 5.2.2 SLAM中移动机器人自定位的实现 |
| 5.2.3 SLAM在 SmartROB-2移动机器人运动中的具体实现 |
| 5.3 移动机器人网络控制的实现及 SLAM实验结果 |
| 5.3.1 SmartROB-2移动机器人平台网络控制的实现 |
| 5.3.2 SLAM实验结果 |
| 5.3.3 实验数据分析与讨论 |
| 5.4 小结 |
| 6 总结和展望 |
| 参考文献 |
| 攻读博士期间完成的主要论文和科研项目 |
| 论文创新点摘要 |
| 致谢 |
四、数据融合技术在移动机器人研究中的应用（论文参考文献）
- [1]教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知[J]. 教育部. 中华人民共和国教育部公报, 2020(06)
- [2]基于多传感器融合的移动机器人同步定位与建图研究[D]. 徐军. 江苏科技大学, 2020(03)
- [3]动态未知环境下的路径规划避障策略研究[D]. 刘昌力. 重庆交通大学, 2020(01)
- [4]基于多传感器信息融合的无人小车避障算法研究[D]. 吕继亮. 华南理工大学, 2020(02)
- [5]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [6]自动送货机器人控制研究[D]. 王宁. 华北理工大学, 2020(02)
- [7]基于脑—机接口的轮式移动双臂机器人控制方法研究[D]. 袁旺. 华南理工大学, 2019(02)
- [8]基于多信息融合的移动机器人动态避障[D]. 魏新. 重庆邮电大学, 2019(01)
- [9]面向教育机器人的室内定位研究[D]. 罗文兴. 华中师范大学, 2018(01)
- [10]移动机器人基于多传感器数据融合的定位及地图创建研究[D]. 庄严. 大连理工大学, 2004(03)