一、移动机器人路径识别与跟踪的计算机仿真(论文文献综述)
王学渊[1](2018)在《基于膜计算的移动机器人自主行走控制方法研究》文中研究表明膜计算理论与应用研究,为移动机器人自主行走中的智能规划、决策与控制等关键问题的解决提供了新途径。目前,膜计算的理论研究成果丰硕,而急需应用研究领域的突破。抽象于生物细胞的膜系统是一种仿生并行分布式计算模型,具有强大的信息处理与计算能力,适于求解移动机器人的运动规划与控制问题。本文针对移动机器人自主行走所面临的三类关键问题,结合膜计算模型的特点,分别设计了基于膜优化的路径规划算法以及多种行为膜控制器,用于提升移动机器人自主行走时的环境适应能力。本文首先描述了膜计算模型信息处理的特点,剖析了膜系统适合于解决移动机器人自主行走关键问题的原因。另一方面,在综合分析一般智能体混合式体系结构与膜系统构造的认知系统的共性基础上,构建了适合不同类型膜系统应用的自主移动机器人混合控制体系结构;分层次探讨了可以利用膜计算模型解决的具体应用问题,为后续膜系统与移动机器人自主行走控制方法相结合的研究工作,奠定了膜计算应用框架基础。针对智能路径规划方法常存在收敛慢、局部探测能力弱,难以兼顾效率与效果的问题,通过分析有效路径优化过程中解个体节点的演变规律,提出了一种维度可变的粒子群膜优化算法。充分利用动态膜结构的膜溶解、膜通信、膜转运等规则,将点修复算法、平滑算法以及移动方向调整等辅助功能算法有机结合,实现寻优粒子种群的维度变化与信息交流。利用多维度种群具有更广泛探测能力的特点,以提高搜索效能。另一方面,定义的多个目标的评价与决策方法,在加快算法收敛与提高适应性的同时,可以产生更合理的路径。针对非完整约束的轨迹跟踪过程中,移动机器人常面临外部扰动、参数剧烈变化、难以精确建模等问题,设计了运动学模型结合动力学模型的两层结构轨迹跟踪控制器。在外层运动学层面,结合Lyapunov稳定性理论、滑模控制方法以及Backstepping技术,分段设计了前馈与反馈相结合的运动学跟踪控制律,为动力学模型提供了更精确的参考路径输入。在内层动力学层面,利用膜系统将神经网络PID的控制模型规则化,同时利用酶变量灵活多变选择规则执行的特性,在膜内实现神经网络与专家知识相结合的参数自学习过程,这种灵活切换方式可使参数间的影响减弱,达到有效控制强时变扰动的效果。针对基于行为的实时导航过程中,存在易振荡与易陷入最小值陷阱等问题,分别设计了局部环境模式分类器、多行为选择策略与多行为融合膜控制器。考虑到自主机器人探索未知环境时,机器人对所处环境理解越精确越有利于做出正确行为响应,但传感器易受噪声影响的情况,定义了二值化的多种局部环境模式,将膜系统引入到环境分类器设计中,实现环境模式的准确快速识别;为便于多行为的融合,根据机器人物理特性分别设计了目标趋向、避障、随墙、通道穿越等行为控制律;提出能摆脱局部最小值陷阱的多行为融合策略,所设计的多行为融合膜控制器能够帮助移动机器人成功走出复杂的迷宫环境,自主行走性能优良。搭建了基于膜控制器的移动机器人实验平台。多组实验验证本文提出的膜控制器在移动机器人自主行走中具有满意的运动规划与运动控制性能。
丁承君[2](2000)在《基于神经网络和模糊控制的移动机器人墙跟踪》文中指出目前,越来越多的移动机器人已应用到物料自动传输、危险场合下的自动作业以及服务业等。这些应用对移动机器人的导航能力提出了更高的要求,在涉及导航技术的诸多方面中,路径识别和路径跟踪能力是移动机器人智能化水平的重要标志。而限制其识别能力和路径跟踪速度及精度的关键是控制策略及控制算法的实时性和稳定性。为此,本论文对移动机器人的路径识别和跟踪理论及方法进行了较为系统深入的研究。本论文的主要工作包括: (1)分析和介绍了TIT-Ⅰ型移动机器人的体系结构和控制原理。 (2)由于模糊控制和神经网络不需要输入输出之间的精确数学描述,而且具 有高度的鲁棒性和容错性,因此是提高非线性控制算法实时性的有效方 法。本论文在介绍模糊控制基本原理的基础上,指出传统查询模糊控制 表方法的不足并首次提出基于线性插值的改进方法。对比实验表明改进 效果非常明显,并且在模糊控制理论上进行了合理的解释。训练神经网 络使其收敛是应用神经网络必不可少的步骤,本论文通过实验的方法探 讨了影响Bp神经网络收敛的因素,对神经网络的训练具有指导意义。 (3)以墙作为移动机器人进行路径识别和路径跟踪的对象,仅利用最少的3 组超声传感器,综合利用神经网络、模糊控制技术以及感知-规划-执行 的思想实现了路径的快速可靠识别和稳定精确跟踪。 (4)以TIT-Ⅰ型移动机器人为基础,采用面向对象的思想,利用可视化的编 程工具(VC++),开发了非常接近实际的移动机器人路径识别和路径跟踪 的仿真平台。最后对本论文提出的路径识别和路径跟踪控制方案在TIT- Ⅰ型移动机器人上进行了实验验证。
胡春生,魏红星,闫小鹏,李国利[3](2022)在《码垛机器人的研究与应用》文中提出通过对码垛机器人相关文献进行归纳整理,从结构优化、末端执行机构、运动规划、运动控制、机器人编程、国内应用等六个方面对码垛机器人进行了概述,分别阐述了机器人本体结构优化、运动规划的常见方法、机器人编程的常用手段、机器人控制的常用方法、避障规划的难点、多机器人协同的特殊性、各类型末端执行机构的优缺点,随后针对我国的码垛机器人应用现状,提出了对应的解决措施,针对码垛机器人关键技术的研究,指出了未来的发展方向和研究重点,可为相关研究人员提供参考。
赵炳巍[4](2021)在《基于多传感器信息融合移动机器人避障决策研究》文中进行了进一步梳理随着移动机器人研究不断深入,使其具有越来越多的功能,能够完成不同任务。其中多传感器信息融合和避障决策是移动机器人技术应用中的重要研究方向,本文面向移动机器人在信息融合中融合精度不高,在已知环境和未知环境中避障决策方法效率低的问题,主要完成的研究内容如下:首先,构建移动机器人运动原理数学模型,完成移动机器人系统搭建和器件选型等工作。对于外部环境信息采集部分,测量障碍物距离信息传感器采用的是以超声波和红外线为主的传感器。其次,多传感器信息融合方法研究,包括了多传感器信息融合的基本原理、融合结构与层次和基本方法。根据所搭建移动机器人的系统结构,采用集中式融合结构和数据层次融合,并结合加权平均法和卡尔曼滤波法对传感器所测量的信息进行直接处理。在静态测量环境中提出一种加权卡尔曼滤波信息融合方法。在动态测量环境中采用扩展卡尔曼滤波信息融合方法。然后,移动机器人已知环境避障决策方法研究,分析了避障决策的基本方法和避障策略。综合基本避障决策方法,主要对人工势场法进行研究。针对传统人工势场法存在局部极小值问题,提出一种基于模拟退火算法的人工势场法。该方法主要过程为利用模拟退火算法在出现局部极小值的位置附近增设随机目标点,引导移动机器人逐渐逃离该区域继续向前运动。通过MATLAB仿真证明,所提出的方法不仅能使得移动机器人逃离局部极小值位置,成功到达目标点位置,并且与其他方法相比用时较短,更加稳定。再次,移动机器人未知环境避障决策方法研究,介绍了强化学习的主要内容。主要研究了强化学习中Q-learning算法,针对该方法缺少早期未知环境的认知信息的问题,导致移动机器人早期阶段搜索速度慢,未能快速寻到最短路径。因此提出了一种改进Q-learning算法,该方法的主要原理是利用人工势场法中引力场势能值作为未知环境早期认知信息对Q值函数进行初始化,解决了搜索初期速度慢,收敛效率低问题。通过仿真实验对比证明,改进Q-learning算法在训练次数较少的情况下获得了较好的寻优效果,具有较高的学习效率。最后,实验验证与结果分析,进行多传感器信息融合实验,分为静态测量融合实验和动态测量融合实验,验证了在不同情况下的融合方法均提高移动机器人测量融合精度。在已知环境和未知环境中进行移动机器人避障决策实验,验证了在不同环境下的两种改进的避障决策方法的可行性与优越性。
李喆[5](2020)在《移动机器人路径规划与环境地形分类、预测方法》文中研究指明移动机器人发展至今已呈现出巨大的实际应用价值以及丰富的多样性。其中无人机具有轻巧敏捷等特性,轮式履带式具有优秀的带负载能力,而腿足式机器人因为在实际运动过程中只需要离散的落足点,因而具备在复杂地形中行驶的强大越障能力。支撑移动机器人实际运行所需环境信息的是其所搭载环境感知系统,其通常由多传感器协调完成环境信息的处理。通过处理视觉系统获取的环境信息,为移动机器人运动策略、路径规划、避障算法等问题提供解决依据。随着移动机器人及其视觉领域的不断发展研究,其研究重点已由移动机器人的结构设计、运动稳定性分析、环境信息获取的实现过渡到如何提高移动机器人在复杂环境中的适应能力,移动机器人对环境信息的感知鉴识能力及自主能动性等领域。为构建并优化针对移动机器人的视觉系统,本文对移动机器人在复杂环境条件下的环境感知系统构建、路径规划、地形预测、地形分类等内容进行了全面而详细的研究,主要内容如下:(1)提出了ADFA*算法。该算法适用于栅格地图可广泛应用于各式移动机器人解决其路径规划问题。为了提高路径规划算法的运算效率、减少遍历栅格数、实现避障策略并限制运算时间成本,本文在传统的A*算法的基础上进行改进,并分别提出了利用路径拼接的DA*算法、通过增设栅格障碍等级以实现避障的FA*算法及更具实际应用价值且时耗受限的ADFA*算法。DA*算法在初始时刻利用传统的A*算法获得初始路径并在初始路径上筛选出复合标准的路径节点以将初始路径进行分段处理。当地形信息产生变化时,DA*算法并不需从初始起点重新进行路径规划,而是将最接近目标点的路径分割节点作为起始点进行路径规划。从而大大减少了 A*算法的遍历栅格数以提高规划效率。FA*算法在A*算法的基础上,引入对应各障碍节点的障碍等级F以实现对障碍物所处栅格节点的扩张,这种方式为特殊环境下人为调控避障安全等级提供了便利。其优势在于尽可能不改变原定路径的同时实现障碍扩张以确保移动机器人机体安全。ADFA*通过引入参数ε以限制评价函数的启发式部分,以达到控制算法时耗的目的。在webots等环境下的仿真实验证实ADFA*算法的遍历网格数明显少于A*算法,其搜索效率是A*算法的7倍以上。(2)提出了基于C-terrain地形带的地图构建方法,并以此为基础提出一种地形预测方法。本文基于栅格地图进行区域划分,通过对比不同区域的相似关系,提出了一种快速准确的地形分类方法C-Terrain。基于完整的路径规划,该方法首先在初始时刻获得一组有序的通过节点。然后根据地形带的选择及评价函数的参数调整,获得影响函数值的有序序列。最后利用机器学习的回归方法来完成对路径和位置地形的预测,并能实现对未知的路径和地形进行预测。实验利用10组5万帧地形数据进行预测仿真,结果证明C-Terrain地形预测方法的准确率在90%以上,算法具有很高的实用价值。(3)提出了HMC地形帧分类方法。在实际处理过程中,机载视觉系统得到的一系列的连续地形帧不会发生突变。基于这一特点,本文针对点云地形帧分类问题,提出了一种HMC(HMARF-MAP-CNN)地形帧预测分类方法。该方法利用历史地形数据对未知地形帧进行分类预测,以便于移动机器人进行步态切换及运动补偿。首先根据栅格地图的存储结构特点,针对性地利用隐马尔可夫随机场(HMRF)及最大后验(Maximum a Posteriori)将地形帧分为平坦地形及崎岖地形。然后利用CNN,对隶属崎岖地形的地形帧进行筛选,可细分为崎岖地形及系统误差崎岖地形(systematic-errors-caused)。该地形分类方法能够快速有效的实现对地形帧的预测与分类,具有足够高的分类精度,能够及时地为移动机器人的步态切换提供充分的依据。仿真实验证明,在不考虑训练成本的前提下HMC与HM方法的分类精度均达到了 89%以上,而且当处理复杂地形帧数据时,HMC的分类精度均达到了 91%以上。由此可见,本文提出的HMC复合地形帧分类方法能有效解决点云地形数据的分类问题且具有更强的稳定性。
刘森,张书维,侯玉洁[6](2020)在《3D打印技术专业“三教”改革探索》文中研究说明根据国家对职业教育深化改革的最新要求,解读当前"三教"改革对于职教教育紧迫性和必要性,本文以3D打印技术专业为切入点,深层次分析3D打印技术专业在教师、教材、教法("三教")改革时所面临的实际问题,并对"三教"改革的一些具体方案可行性和实际效果进行了探讨。
何智[7](2020)在《高空复杂环境下壁面清洗机器人的关键技术研究》文中研究表明近年来,玻璃幕墙以其优越的采光性能,广泛的应用于城市中的高楼大厦,但清洗过程中存在一些难题,传统的以人工作业为代表的壁面清洗方式不仅成本高而且危险系数大,因此设计开发一种实用、高效的智能壁面清洗机器人具有较大的现实意义。为实现壁面清洗机器人在复杂环境下的自主运动和作业,本文在关键机构设计、清洗过程中的障碍物识别和路径规划问题进行研究分析,具体的研究内容如下:首先,以壁面清洗的实际工况为基础,设计了一种旋翼负压混合吸附工作的多边形履带清洗机器人,并对机器人动力学性能和负压性能进行仿真分析,从而为样机实现奠定基础。通过建立机器人在壁面工作时的动力学模型,对越障过程中出现的机器人倾覆、滑移两种失效形式进行动力学分析,确定出多边形履带的结构参数和驱动力矩的大小;针对负压吸附装置的稳定性问题,利用CFD仿真软件,对负压吸附过程中腔体内部压差变化进行了仿真分析,在此基础上利用样机进行爬行和越障试验,结果表明所设计的机器人能可靠的吸附在壁面上,具有良好的越障性能。其次,根据机器人结构和环境特点设计了机器人控制系统,结合机器人功能需求和控制系统需求进行分析,从而进一步制定出机器人系统组成结构;针对机器人的轨迹跟踪控制过程中偏差大的突出问题,进行重点研究,为保证机器人能沿指定路径移动,建立机器人系统动力学方程,搭建Simulink仿真模型,从而研究机器人轨迹性能,为后面机器人路径规划奠定基础。然后,基于云理论的障碍物检测识别方法研究,准确的障碍物识别对于实现壁面清洗机器人自动清洗作业至关重要。根据机器人的工作原理以及环境特点,设计了一种基于云理论的壁面障碍物检测识别的方法。采用云理论方法将障碍物小波矩特征建立云分布模型,提取云分布模型的数学特征构造支持向量机识别模型。试验结果表明云理论结合支持向量机的方法能有效的识别壁面上的三种障碍,识别率达到96%以上。最后,以障碍物识别结果和机器人轨迹跟踪的研究为基础,通过建立壁面环境地图,结合机器人往复运动作业的方式,借助栅格法和移动机器人全局路径规划算法建立全局地图的路径规划,利用A*算法解决机器人陷入死点的路径规划问题,从而降低了清洗路径的重复率,使得机器人能以100%的清洗覆盖率和5.7%的路径重复率完成环境地图的路径规划。
翟宏旭[8](2020)在《飞机转站运输AGV导航定位与轨迹跟踪技术研究》文中指出在飞机装配过程中,大型飞机部件的传统运输方式由于生产效率低、生产成本高等缺点,已经无法满足人们对飞机生产的需求,因此现代化飞机制造装配过程中离不开AGV技术的支持。为了满足飞机装配过程中对大型飞机部件的高自动化运输设备的迫切需求,本文基于实验室与某飞机制造公司联合研制的飞机转站运输AGV,对AGV导航定位和轨迹跟踪技术进行了研究,并为AGV的轮系结构、导航定位方式、轨迹跟踪控制器以及运动控制系统的设计提供了可行的解决方案。首先,本文介绍了论文研究的背景,并对AGV导航定位与轨迹跟踪技术的发展以及AGV技术的现状进行了说明,阐述了AGV技术对于发展我国航空工业,提升我国综合国力有着重大意义,至此引出了本文的研究内容。其次,对飞机转站运输AGV的组成进行了简要介绍,并从全向移动的设计要求出发,为系统提出了三轮模型、四轮模型以及六轮模型三种轮系结构。通过对三种轮系结构的运动学分析与研究,最终为AGV系统确定了配备有两个驱动转向轮和四个支撑转向轮的六轮模型。然后,对飞机转站运输AGV的导航定位技术进行了研究,为AGV确定了视觉导航的自动导航方法,并通过导航相机识别路面二维码的方式实现了AGV站点准停的功能。文中还根据AGV已经确定的六轮轮系模型以及视觉导航的导航模式,对其轨迹跟踪过程中的纠偏原理进行了详细研究,并为AGV系统设计了一种两输入两输出的轨迹纠偏模糊控制器,解决了传统PID控制器大偏差下响应速度较慢、纠偏效果不理想的问题。随后,根据AGV运动装置的功能与设计要求,确定了飞机转站运输AGV的整体控制方案,并对AGV车轮的单轴控制模型进行了研究,最终完成了AGV运动控制系统的软件开发工作。最后,对全文的主要研究内容进行了总结概括,并对下一步的工作进行了展望。
薛秉鑫[9](2019)在《移动机器人自主导航和目标抓取关键技术研究》文中指出移动机器人作为机器人领域的重要组成部分,其理论和应用研究一直是研究热点课题并受到广泛关注。与工业机器人所处的结构化环境不同,移动机器人的应用环境具有复杂性、动态性和不确定性的特征,移动机器人的自主导航问题成为亟需解决的首要问题。另一方面,机器人抓取操作是机器人操作任务中的基本任务,机器人目标抓取研究也引起了众多学者的密切关注。因此,本研究以移动机器人为研究对象,从路径规划、路径跟踪以及目标物识别和抓取位置检测三个方面完成了对移动机器人自主导航和目标抓取的关键技术研究。(1)鉴于基本蝙蝠算法在平衡寻优精度和收敛速度方面存在困难从而限制了其解决全局路径规划的效率,提出了蝙蝠算法与强化学习相结合的混合蝙蝠算法对全局路径规划进行研究。蝙蝠算法的寻优性能由两个参数决定:响度衰减系数和脉冲发射率增强系数。在所提混合蝙蝠算法中,在训练阶段采用Q学习算法学习蝙蝠种群中每个个体的最优参数值,然后在执行阶段应用这些训练好的最优参数值完成全局路径规划任务,从而改善蝙蝠算法的寻优精度和收敛速度。在三种不同的仿真环境中将所提算法与蝙蝠算法和粒子群算法进行了对比分析。仿真结果表明,混合蝙蝠算法具有令人满意的全局路径规划效果,可以作为处理全局路径规划问题的重要选择。(2)在获得规划好的全局最优路径后,需要解决路径跟踪问题,其中,路径跟踪控制性能的好坏将直接决定移动机器人自主导航问题是否可以有效解决。首先建立了两轮差速驱动移动机器人的运动学及动力学模型,并采用反步法设计了移动机器人路径跟踪控制规律,以此来计算控制量的期望值;然后提出了基于灰狼算法优化的PID控制,采用灰狼优化算法对PID控制参数进行自整定以提高控制系统的动态性能;最后仿真和实验结果表明,利用提出的控制算法能够有效稳定地控制移动机器人完成路径跟踪任务。(3)将深度学习方法应用于移动机器人抓取操作任务中,提出了一种多任务卷积神经网络。该网络可以深度挖掘图像中与机器人抓取操作相关的视觉特征,能够同时完成目标物的识别和抓取位置检测任务。实验结果显示,目标物的识别和抓取位置检测两任务之间存在一定的内在联系,多任务网络相比单一任务网络具有更加优越的性能。将多任务卷积神经网络应用于实际移动机器人实验平台,该网络能够成功地对目标物进行识别和抓取位置检测并用以指导移动机器人完成目标抓取操作。
许海涛[10](2019)在《焊接机器人焊缝识别跟踪技术研究》文中研究说明焊接机器人对于焊接工艺过程的自动化具有重要价值。现有的焊接机器人可实现直线焊缝的自动化焊接,但对于曲线焊缝仍存在一定困难。针对上述问题,论文引入机器视觉技术,提出一种可识别跟踪曲线焊缝的焊接机器人系统方案。系统首先利用图像处理算法识别出特征像素坐标,进而通过视觉引导实现曲线焊缝的自动焊接和焊接质量评估。论文工作对提升我国制造业焊接装备水平具有积极意义,论文的主要研究内容如下:(1)系统方案设计:针对视觉引导的焊接机器人实际需求,确定了系统总体方案。论文细化了视觉引导和无损探伤方案,并对相关硬件设备进行了选型。视觉引导采用单目视觉检测焊缝,焊接质量评估采用电磁传感器进行无损探伤。(2)图像处理:对焊接过程中采集的图像进行图像处理,采用中值滤波对图像平滑处理,Deriche算子提取图像边缘特征,接着利用高速面积滤波算法进一步去除干扰,最后利用直方图分割和伽马校正进行图像增强。(3)焊缝路径规划:在像素坐标系内,利用Opencv识别处理图像像素点,得到焊缝上下线坐标,进一步提取焊缝中心线条的像素坐标。利用Hermite插值算法求得初始点的坐标。焊接位姿采用焊枪与焊缝平面呈75?,焊枪与焊点法线呈90?经验方式,利用调整坐标系和期望坐标系转换算法求得焊接机器人关节转换角度,得到保证焊姿的焊接坐标。通过相机标定、工具坐标系标定和手眼标定等步骤,完成二维像素特征点到三维实体坐标的映射。(4)软件设计:开发焊接机器人焊缝识别与跟踪系统应用软件,包括硬件通信界面、标定界面、手动焊接界面、自动焊接界面和焊接评估界面等。焊接评估界面以实时数据曲线的方式,更直观的展现焊接质量检测过程,软件给出评估结果供操作者分析处理。(5)系统实验:通过分别对不规则曲线钢板和直线钢板进行焊接实验,获得曲线焊缝中心线与焊接熔池中心线偏离平均误差为0.6mm,焊缝曲线圆滑,符合焊接误差要求,实验证明该系统对不规则焊缝和直线焊缝都有精度很高的响应能力,具有很强的应用性。
二、移动机器人路径识别与跟踪的计算机仿真(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、移动机器人路径识别与跟踪的计算机仿真(论文提纲范文)
(1)基于膜计算的移动机器人自主行走控制方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的提出 |
1.2 国内外研究现状 |
1.2.1 膜计算研究现状 |
1.2.2 移动机器人发展概况 |
1.2.3 移动机器人自主行走关键问题研究现状 |
1.3 主要研究内容 |
1.4 论文结构安排 |
第2章 基于膜计算的移动机器人自主行走控制分析 |
2.1 引言 |
2.2 移动机器人自主行走控制的膜计算基础 |
2.2.1 膜算法 |
2.2.2 数值膜系统定义 |
2.2.3 酶数值膜系统定义 |
2.3 基于膜计算的移动机器人自主行走控制体系分析 |
2.3.1 基于膜计算的认知体系 |
2.3.2 基于膜计算的混合式体系结构分析 |
2.4 本章小结 |
第3章 基于膜计算的移动机器人路径规划方法 |
3.1 引言 |
3.2 问题描述 |
3.3 基于m MPSO算法的移动机器人路径规划 |
3.3.1 路径规划问题的数学建模 |
3.3.2 可变维策略分析 |
3.3.3 m MPSO算法描述 |
3.4 实验验证及结果分析 |
3.5 本章小结 |
第4章 基于膜计算的移动机器人轨迹跟踪方法 |
4.1 引言 |
4.2 移动机器人轨迹跟踪问题描述 |
4.3 移动机器人轨迹跟踪控制器 |
4.3.1 移动机器人运动学控制器设计 |
4.3.2 移动机器人动力学控制器设计 |
4.4 实验验证及分析 |
4.4.1 运动学控制器仿真实验 |
4.4.2 动力学控制器计算机仿真及分析 |
4.5 本章小结 |
第5章 基于膜计算的移动机器人多行为融合控制方法 |
5.1 引言 |
5.2 移动机器人自主行走中的行为选择 |
5.3 环境状态识别的膜分类器设计 |
5.3.1 局部环境模型定义 |
5.3.2 环境模型膜分类器设计 |
5.4 基本行为控制律设计 |
5.4.1 趋向目标行为 |
5.4.2 避障行为 |
5.4.3 随墙行为 |
5.4.4 穿越通道行为 |
5.4.5 自转行为 |
5.4.6 紧急调头行为 |
5.5 基于膜系统的多行为融合控制器设计 |
5.5.1 多行为动态选择策略 |
5.5.2 行为融合的膜控制器设计 |
5.6 实验验证及分析 |
5.6.1 环境分类器实验 |
5.6.2 多行为融合控制器对比实验 |
5.7 本章小结 |
第6章 实验验证及结果分析 |
6.1 引言 |
6.2 膜控制器实现的系统框架 |
6.3 膜控制器实现的软硬件平台 |
6.3.1 数值膜系统仿真平台 |
6.3.2 移动机器人平台 |
6.4 实验结果及分析 |
6.4.1 轨迹跟踪计算机仿真及结果分析 |
6.4.2 多行为融合实验及结果分析 |
6.4.3 实体平台实验 |
6.5 本章小结 |
总结与展望 |
致谢 |
参考文献 |
攻读博士学位期间科研成果 |
(2)基于神经网络和模糊控制的移动机器人墙跟踪(论文提纲范文)
中文摘要 |
英文摘要 |
第一章 绪论 |
1.1 引言 |
1.2 移动机器人的导航研究现状 |
1.2.1 传感技术及其信息处理 |
1.2.2 路径规划 |
1.2.3 路径跟踪 |
1.3 神经网络技术和模糊控制技术的研究现状 |
1.4 完成的主要内容 |
第二章 移动机器人的体系结构和控制原理 |
2.1 引言 |
2.2 TIT-Ⅰ型移动机器人的车体结构 |
2.3 TIT-Ⅰ型移动机器人的硬件体系结构 |
2.4 作业环境的感知 |
2.5 TIT-Ⅰ型移动机器人的驱动系统及运动学原理 |
2.5.1 TIT-Ⅰ型移动机器人的驱动系统 |
2.5.2 TIT-Ⅰ型移动机器人的运动学原理 |
2.5.3 自动降速 |
2.6 本章小结 |
第三章 模糊控制和神经网络技术 |
3.1 引言 |
3.2 模糊控制简介 |
3.2.1 模糊控制的基本原理 |
3.2.2 采用线性查值法改善模糊控制的控制特性 |
3.3 神经网络技术 |
3.3.1 神经网络简介 |
3.3.2 误差反向传播神经网络 |
3.3.3 影响BP网络收敛的因素的初步探讨 |
3.4 本章小结 |
第四章 基于行为的移动机器人的墙识别与跟踪 |
4.1 引言 |
4.2 墙类型识别 |
4.2.1 超声传感器的布置 |
4.2.2 墙类型识别 |
4.3 Ⅰ类墙的跟踪 |
4.3.1 模糊化 |
4.3.2 模糊推理 |
4.3.3 解模糊 |
4.3.4 积分环节 |
4.4 转弯行为模块 |
4.4.1 Ⅱ类墙的最优转弯半径 |
4.4.2 Ⅲ类墙的最优转弯半径 |
4.4.3 Ⅳ类墙的最优转弯半径 |
4.5 控制流程 |
4.6 本章小结 |
第五章 移动机器人墙识别与跟踪的计算机仿真和实验 |
5.1 引言 |
5.2 TIT-Ⅰ型移动机器人墙识别与跟踪计算机仿真平台 |
5.2.1 仿真平台开发 |
5.2.2 仿真平台界面 |
5.2.3 计算机仿真 |
5.3 TIT-Ⅰ型移动机器人墙识别与跟踪实验 |
5.3.1 实验环境 |
5.3.2 实验结果 |
5.4 本章小结 |
结论 |
作者在攻读硕士学位期间发表的论文 |
作者在攻读硕士学位期间参加的主要科研工作 |
致谢 |
参考文献 |
(3)码垛机器人的研究与应用(论文提纲范文)
1 码垛机器人研究内容 |
1.1 码垛机器人结构优化 |
1.2 末端执行机构 |
1.3 码垛机器人的运动规划 |
1.3.1 路径规划 |
(1)单个机器人路径规划 |
(2)多机器人协同路径规划 |
1.3.2 轨迹规划 |
1.3.3 避障问题 |
1.3.4 多机器人协同与单个机器人运动规划的联系与区别 |
1.3.5 机器人运动规划的关键技术及难点 |
1.4 机器人运动控制 |
1.5 机器人的编程 |
2 国内应用现状 |
3 国内码垛机器人发展存在的问题及对策 |
3.1 国内码垛机器人存在的问题 |
(1)智能化程度较低 |
(2)核心部件依赖进口 |
(3)智能算法自主研发能力差 |
(4)标准化程度较差 |
3.2 解决的对策 |
(1)核心零部件国产化 |
(2)加强码垛机器人智能化建设 |
(3)算法优化 |
(4)构建标准化体系 |
4 总结与展望 |
(4)基于多传感器信息融合移动机器人避障决策研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.2.1 移动机器人研究现状 |
1.2.2 多传感器信息融合技术研究现状 |
1.2.3 避障决策研究方法现状 |
1.3 研究目的和意义 |
1.3.1 研究目的 |
1.3.2 研究意义 |
1.4 研究内容及各章安排 |
2 移动机器人系统结构搭建 |
2.1 移动机器人运动学建模 |
2.1.1 运动学数学模型 |
2.1.2 轨迹跟踪数学模型 |
2.2 移动机器人系统搭建 |
2.3 移动机器人器件选型 |
2.3.1 STM32F103主控系统 |
2.3.2 电机模块 |
2.3.3 超声波测距传感器HC-SR04 |
2.3.4 红外测距传感器GP2Y0A21YK0F |
2.3.5 红外光电测距模块 |
2.3.6 其他部分选型 |
2.4 传感器安装位置 |
2.5 本章小结 |
3 多传感器信息融合方法研究 |
3.1 多传感器信息融合主要内容 |
3.1.1 多传感器信息融合基本原理 |
3.1.2 多传感器信息融合结构 |
3.1.3 多传感器信息融合层次 |
3.1.4 多传感器信息融合方法 |
3.2 静态测量多传感器信息融合方法 |
3.2.1 卡尔曼滤波法基本原理 |
3.2.2 加权平均法基本原理 |
3.2.3 加权卡尔曼滤波融合方法 |
3.3 动态测量多传感器信息融合方法 |
3.4 本章小结 |
4 移动机器人已知环境避障决策方法研究 |
4.1 避障决策 |
4.1.1 避障决策基本方法 |
4.1.2 避障策略 |
4.2 人工势场法 |
4.2.1 人工势场法基本原理 |
4.2.2 人工势场法存在问题 |
4.3 基于模拟退火算法的人工势场法 |
4.3.1 基本原理 |
4.3.2 具体算法步骤 |
4.3.3 实验仿真对比分析 |
4.4 本章小结 |
5 移动机器人未知环境避障决策方法研究 |
5.1 强化学习主要内容 |
5.1.1 强化学习基本原理 |
5.1.2 马尔可夫决策过程 |
5.1.3 强化学习基本要素 |
5.1.4 强化学习的基本算法 |
5.2 Q-learning算法 |
5.2.1 Q-learning算法基本原理 |
5.2.2 Q-learning算法存在问题 |
5.3 改进Q-learning算法 |
5.3.1 改进Q-learning算法基本原理 |
5.3.2 改进Q-learning算法步骤 |
5.3.3 实验仿真对比分析 |
5.4 本章小结 |
6 实验验证与结果分析 |
6.1 多传感器信息融合实验 |
6.1.1 静态测量融合实验及结果分析 |
6.1.2 动态测量融合实验及结果分析 |
6.2 移动机器人避障决策实验 |
6.2.1 避障可行性实验 |
6.2.2 已知环境避障实验 |
6.2.3 未知环境避障实验 |
6.3 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文及获得成果 |
致谢 |
(5)移动机器人路径规划与环境地形分类、预测方法(论文提纲范文)
摘要 |
ABSTRACT |
缩略词注释表 |
第一章 绪论 |
1.1 论文选题背景及研究意义 |
1.2 移动机器人发展现状 |
1.3 移动机器人路径规划算法研究现状 |
1.4 移动机器人环境感知系统研究现状 |
1.4.1 移动机器人环境感知系统发展现状 |
1.4.2 移动机器人环境感知系统发展趋势 |
1.5 移动机器人地形分类算法研究现状 |
1.5.1 基于几何特征的地形分类算法 |
1.5.2 基于触觉传感器的地形分类算法 |
1.5.3 基于机器人视觉的地形分类算法 |
1.5.4 基于深度神经网络的地形分类算法 |
1.6 论文主要研究内容与创新点 |
1.7 论文章节安排 |
第二章 移动机器人地形信息采集及相关算法 |
2.1 引言 |
2.2 移动机器人视觉平台搭建 |
2.2.1 激光测距系统 |
2.2.2 TOF相机系统 |
2.3 移动机器人视觉系统相关算法 |
2.3.1 路径规划算法 |
2.3.2 地图构建与地形预测算法 |
2.3.3 地形分类算法 |
2.4 本章小结 |
第三章 移动机器人路径规划算法研究 |
3.1 引言 |
3.2 A~*及其衍生算法 |
3.2.1 A~*算法 |
3.2.2 LPA~*算法 |
3.3 A~*算法的改进 |
3.3.1 DA~*算法 |
3.3.2 FA~*算法 |
3.3.3 DFA~*算法 |
3.3.4 ADFA~*算法 |
3.4 算法仿真 |
3.4.1 DA~*算法仿真 |
3.4.2 ADFA~*算法仿真 |
3.5 本章小结 |
第四章 基于地形带的栅格地图重构与预测 |
4.1 引言 |
4.2 传统栅格地图构建方法 |
4.3 基于C-Terrain的栅格地图重构方法 |
4.3.1 地形带 |
4.3.2 地形带的选取 |
4.3.3 影响函数的构建 |
4.3.4 地形通过代价序列及数据预处理 |
4.4 基于C-Terrain方法的栅格地图地形预测 |
4.4.1 基于多项式回归的地形预测 |
4.4.2 基于KNN最近邻回归的地形预测 |
4.5 算法仿真 |
4.5.1 基于C-Terrain地图重构的路径规划算法仿真 |
4.5.2 基于C-Terrain的地形预测仿真 |
4.5.2.1 基于多项式回归的地形预测仿真 |
4.5.2.2 基于KNN最近邻回归的地形预测仿真 |
4.5.2.3 预测精度对比 |
4.6 本章小结 |
第五章 基于隐马尔可夫场的地形分类算法 |
5.1 引言 |
5.2 基于几何特征的地形构建方法 |
5.2.1 基于高程图的地形构建算法 |
5.2.2 基于三维点云的地形构建算法 |
5.3 基于HMARF机器学习的地形分类算法 |
5.3.1 地形状态的形式化 |
5.3.2 HMRF地形分类模型 |
5.4 基于CNN的地形分类算法 |
5.5 仿真与实验 |
5.5.1 数据获取与模型搭建 |
5.5.2 评价指标 |
5.5.3 崎岖地形分类算法实验 |
5.5.4 HMC、HM、IB分类算法仿真 |
5.5.5 HMC点云地形数据分类算法性能仿真 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文 |
攻读博士学位期间参加的科研项目 |
学位论文评阅及答辩情况表 |
(6)3D打印技术专业“三教”改革探索(论文提纲范文)
引言 |
1 3D打印技术专业“三教”面临的突出问题 |
1.1 师资团队的教学素养相对偏差 |
1.2 3D打印技术专业教材不成体系,资源匮乏 |
1.3 教法难以提升学生参与的主动性 |
2 3D打印技术应用专业“三教”改革措施 |
2.1 通过“名师引领、双元结构、分工协作”的准则塑造团队 |
2.1.1 依托有较强影响力的带头人,有效开发名师所具备的引领示范效果 |
2.1.2 邀请大师授教,提升人才的技术与技能水准 |
2.2 推进“学生主体、育训结合、因材施教”的教材变革 |
2.2.1 设计活页式3D打印教材 |
2.2.2 灵活使用信息化技术,形成立体化的教学 |
2.3 创新推行“三个课堂”教学模式,推进教法改革 |
2.3.1 采取线上、线下的混合式教法 |
2.3.2 构建与推进更具创新性的“三个课堂”模式 |
(7)高空复杂环境下壁面清洗机器人的关键技术研究(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 机器人研究现状 |
1.3 机器视觉研究现状 |
1.4 本文主要的研究内容 |
第2章 机器人总体结构设计与关键机构分析 |
2.1 引言 |
2.2 机器人总体结构设计 |
2.3 吸附系统分析 |
2.3.1 吸附原理 |
2.3.2 吸附装置内部流场仿真 |
2.4 机器人控制系统设计 |
2.5 机器人动力学系统分析 |
2.5.1 爬行模型 |
2.5.2 越障模型 |
2.5.3 攀爬阶段分析 |
2.5.4 支撑阶段分析 |
2.6仿真分析与样机实验 |
2.6.1 仿真验证 |
2.6.2 实验验证 |
2.7 本章小结 |
第3章 控制系统搭建与机器人轨迹跟踪 |
3.1 引言 |
3.2 壁面清洗机器人控制系统与需求分析 |
3.2.1 机器人功能需求 |
3.2.2 控制系统功能需求 |
3.3 机器人控制方案设计 |
3.4 机器人沿指定路径跟踪研究 |
3.4.1 机器人系统动力学分析 |
3.4.2 仿真模型的建立与分析 |
3.5 本章小结 |
第4章 基于云理论的障碍物检测识别方法研究 |
4.1 引言 |
4.2 基于环境的识别流程 |
4.3 壁面障碍物特征提取 |
4.3.1 图像预处理 |
4.3.2 小波变换的多尺度边缘检测和canny边缘检测 |
4.3.3 小波矩、DCT描述子和不变矩提取 |
4.3.4 基于云理论的特征提取 |
4.3.5 基于支持向量机分类计算 |
4.4 障碍物分类识别 |
4.5 本章小结 |
第5章 壁面清洗机器人路径规划研究 |
5.1 引言 |
5.2 机器人清洗路径分析 |
5.3 壁面清洗机器人完全遍历路径规划 |
5.3.1 环境地图构建和路径规划评价指标 |
5.3.2 改进的A-Star算法 |
5.3.3 清洗过程中的死点问题 |
5.3.4 改进内螺旋式完全遍历算法 |
5.4 路径规划仿真 |
5.5 本章小结 |
总结与展望 |
总结 |
展望 |
参考文献 |
致谢 |
附录A 攻读学位期间所发表的学术论文目录 |
(8)飞机转站运输AGV导航定位与轨迹跟踪技术研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 AGV技术的发展与现状 |
1.2.1 AGV导航定位技术的发展 |
1.2.2 AGV轨迹跟踪技术的发展 |
1.2.3 国内外AGV技术的现状 |
1.3 研究意义与研究内容 |
1.3.1 研究意义 |
1.3.2 研究内容 |
1.4 论文整体框架 |
第二章 飞机转站运输AGV组成及其轮系模型研究 |
2.1 飞机转站运输AGV设备组成 |
2.2 飞机转站运输AGV轮系模型研究 |
2.2.1 轮系模型的提出 |
2.2.2 三轮模型的运动学分析 |
2.2.3 四轮模型的运动学分析 |
2.2.4 六轮模型的运动学分析 |
2.2.5 轮系模型确定 |
2.3 飞机转站运输AGV车轮结构 |
2.3.1 转向驱动轮结构 |
2.3.2 转向支撑轮结构 |
2.4 本章小结 |
第三章 飞机转站运输AGV导航定位技术研究 |
3.1 飞机转站运输AGV导航技术研究 |
3.1.1 导航方式确定 |
3.1.2 视觉导航原理 |
3.1.3 相机选择 |
3.1.4 导航相机的调试使用与导航路径的识别 |
3.2 飞机转站运输AGV定位技术研究 |
3.3 本章小结 |
第四章 飞机转站运输AGV轨迹跟踪技术研究 |
4.1 飞机转站运输AGV轨迹跟踪纠偏原理 |
4.1.1 轨迹跟踪偏差产生原因 |
4.1.2 纠偏原理分析 |
4.2 飞机转站运输AGV轨迹纠偏控制器设计 |
4.2.1 模糊控制器的组成 |
4.2.2 模糊控制器的设计 |
4.3 仿真与分析 |
4.4 本章小结 |
第五章 飞机转站运输AGV运动控制系统设计 |
5.1 飞机转站运输AGV运动控制系统总体设计 |
5.2 飞机转站运输 AGV 车轮单轰运动控制设计 |
5.3 飞机转站运输AGV运动控制软件设计 |
5.3.1 PLC底层运动控制设计 |
5.3.2 上位机软件系统设计与开发 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
(9)移动机器人自主导航和目标抓取关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 机器人路径规划发展现状 |
1.2.1 全局路径规划 |
1.2.2 局部路径规划 |
1.3 机器人路径跟踪控制发展现状 |
1.4 机器人抓取规划发展现状 |
1.4.1 基于模型的抓取规划 |
1.4.2 基于数据驱动的抓取规划 |
1.5 课题的研究内容 |
1.6 本文章节结构安排 |
第2章 基于蝙蝠算法与强化学习的路径规划研究 |
2.1 蝙蝠算法 |
2.1.1 算法模型 |
2.1.2 实施步骤 |
2.2 强化学习 |
2.2.1 Q学习算法 |
2.2.2 动作选择策略 |
2.3 混合蝙蝠算法(HBA) |
2.3.1 HBA介绍 |
2.3.2 适应度函数设计 |
2.4 路径规划仿真研究 |
2.5 本章小结 |
第3章 基于灰狼算法优化PID的路径跟踪控制 |
3.1 移动机器人路径跟踪控制模型 |
3.2 移动机器人路径跟踪控制器设计 |
3.3 PID控制器原理 |
3.3.1 模拟PID控制器 |
3.3.2 数字PID控制器 |
3.4 灰狼算法原理 |
3.4.1 基本灰狼算法 |
3.4.2 改进灰狼算法 |
3.5 GWO优化PID算法设计 |
3.5.1 基本思想 |
3.5.2 适应度函数的确定 |
3.5.3 GWO优化PID算法流程 |
3.6 路径跟踪仿真研究 |
3.7 本章小结 |
第4章 基于深度学习的目标识别和抓取位置检测 |
4.1 抓取位置表示 |
4.2 卷积神经网络 |
4.2.1 感知器模型 |
4.2.2 局部连接和权值共享 |
4.2.3 卷积神经网络结构 |
4.3 残差神经网络 |
4.4 多任务卷积神经网络 |
4.5 实验验证 |
4.5.1 抓取数据集建立 |
4.5.2 模型训练 |
4.5.3 实验结果与分析 |
4.6 本章小结 |
第5章 移动机器人自主导航和目标抓取实验 |
5.1 实验平台验证 |
5.2 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间论文发表及科研情况 |
致谢 |
(10)焊接机器人焊缝识别跟踪技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 机器视觉及其应用 |
1.3 国内外研究现状 |
1.3.1 焊接机器人研究现状 |
1.3.2 焊缝识别技术的研究现状 |
1.3.3 机器人视觉控制研究现状 |
1.3.4 无损探伤研究现状 |
1.4 本课题关键技术及设计方案 |
1.5 本课题主要内容及章节安排 |
第二章 系统平台搭建 |
2.1 系统平台的总体架构 |
2.2 机器人执行系统 |
2.2.1 机器人本体 |
2.2.2 主控计算机 |
2.3 焊接系统 |
2.4 视觉传感系统 |
2.4.1 CCD工业相机 |
2.4.2 图像采集卡 |
2.4.3 激光发射器 |
2.5 焊后探伤系统 |
2.6 本章小结 |
第三章 机器人视觉标定 |
3.1 摄像机标定 |
3.2 机器人工具坐标系的标定 |
3.3 手眼标定 |
3.4 标定实验 |
3.5 本章小结 |
第四章 焊缝图像处理 |
4.1 图像的预处理 |
4.1.1 邻域平均法 |
4.1.2 中值滤波 |
4.1.3 双边滤波 |
4.1.4 实验结果对比分析 |
4.2 图像边缘检测 |
4.2.1 Roberts算子 |
4.2.2 Sobel算子 |
4.2.3 Laplacian算子 |
4.2.4 Canny算子 |
4.2.5 Deriche算子 |
4.3 面积滤波 |
4.4 图像增强 |
4.5 本章小结 |
第五章 焊接路径规划 |
5.1 焊接件裂纹坐标提取 |
5.2 初始点识别 |
5.3 末端执行器角度转化 |
5.4 仿真分析 |
5.4.1 Hermite插值得初始点仿真 |
5.4.2 位姿调整仿真 |
5.5 本章总结 |
第六章 系统软件开发与焊接实验 |
6.1 软件环境 |
6.2 软件界面 |
6.2.1 通信方式 |
6.2.2 手动焊接 |
6.2.3 自动焊接 |
6.2.4 焊接评估 |
6.3 焊接实验结果 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
作者简介 |
四、移动机器人路径识别与跟踪的计算机仿真(论文参考文献)
- [1]基于膜计算的移动机器人自主行走控制方法研究[D]. 王学渊. 西南交通大学, 2018(03)
- [2]基于神经网络和模糊控制的移动机器人墙跟踪[D]. 丁承君. 河北工业大学, 2000(01)
- [3]码垛机器人的研究与应用[J]. 胡春生,魏红星,闫小鹏,李国利. 计算机工程与应用, 2022(02)
- [4]基于多传感器信息融合移动机器人避障决策研究[D]. 赵炳巍. 西安工业大学, 2021(02)
- [5]移动机器人路径规划与环境地形分类、预测方法[D]. 李喆. 山东大学, 2020
- [6]3D打印技术专业“三教”改革探索[J]. 刘森,张书维,侯玉洁. 数码世界, 2020(04)
- [7]高空复杂环境下壁面清洗机器人的关键技术研究[D]. 何智. 兰州理工大学, 2020(12)
- [8]飞机转站运输AGV导航定位与轨迹跟踪技术研究[D]. 翟宏旭. 浙江大学, 2020(06)
- [9]移动机器人自主导航和目标抓取关键技术研究[D]. 薛秉鑫. 青岛理工大学, 2019(02)
- [10]焊接机器人焊缝识别跟踪技术研究[D]. 许海涛. 东南大学, 2019(05)