一、智能移动机器人视觉处理及自主导航方法研究（论文文献综述）
岳鹏宇[1]（2021）在《目标驱动的移动机器人自主导航研究》文中指出目前,移动机器人导航技术已经广泛应用于边境巡逻、反恐行动、安保物流等军用、民用领域。随着应用范围的扩大,机器人在未知环境下导航问题,已经成为机器人技术中最实用,最具有挑战的研究主题之一。由于应用场景常常难以预测,基于地图信息的传统导航方法很难推广到未知环境中。因此,使机器人在复杂未知环境中安全的探索环境,高效自主的确定目标位置,高鲁棒性的完成导航任务,是移动机器人得以广泛应用的关键点和难点。为此,本文以TurtleBot2移动机器人作为控制对象,深入研究了目标驱动的移动机器人自主导航问题,在深度强化学习框架下,提出了多智能体协同控制的运动目标导航算法---（Teamwork-Net）算法,实现了自然场景下移动机器人对动态目标的自主导航,提高了动态目标导航中深度强化学习算法的收敛性和可靠性。主要工作如下:（1）基于深度强化学习的移动机器人静态目标导航实验研究。在深度强化学习理论框架下,采用深度Q网络（DQN）,实现了原始图像到移动机器人最优动作的映射。在室内自然场景下,完成了多种挑战性情况下的移动机器人静态目标导航实验,包括导航过程中目标位置突变、环境突变、绑架机器人等,实验结果表明所设计的方法在无地图的情况下,可以使移动机器人系统仅通过视觉信息,完成从起始位置到静态目标物体的无碰撞自主导航运动。（2）针对运动目标导航问题,在深度强化学习框架下,提出了多智能体协同控制的运动目标导航算法---（Teamwork-Net）算法,包括多智能体协同逼近导航策略的网络结构和针对该网络的训练算法。首先,为简化导航网络所逼近的-策略,导航网络由两个智能体构成,分别控制导航机器人的运动速度与运动方向,两个智能体都将运动控制视为标准的强化学习问题,与环境进行交互,利用值函数法最大化奖励。随后,为提高算法的收敛性与训练效率,基于上述网络结构,结合分段式强化学习与对抗强化学习,提出了针对多智能体协同控制的训练方法。最后,为验证算法的有效性,在室内自然场景下,利用TurtleB ot2机器人完成了无地图情况下的多组移动机器人动态目标导航实验。实验结果表明,所提的Teamwork-Net算法在导航机器人未发现目标的情况下,能够利用视觉安全的避开障碍物并高效探索环境寻找目标。当目标出现在视野范围内时,导航机器人能够准确的识别目标物体、分析出目标的运动意图（运动方向、位置等）,并成功的导航到一个具有反跟踪能力的运动目标。（3）针对迁移过程中的现实鸿沟问题,本文对Teamwork-Net控制网络的特征提取结果进行了可视化处理,对比了模拟环境与现实环境的特征提取结果。对比结果表明,经过训练获得的Teamwork-Net网络模型能够直接应用在实际环境中。
徐明辉[2]（2021）在《用于仪表位置寻找的自主导航机器人研究》文中指出随着工业自动化与智能化技术的发展,机器人技术在工业领域得到越来越广泛的应用。以往工业现场指示仪表主要采用人工读数的方式获取信息,近年来,逐步发展为利用机器视觉的仪表读数方法,提高了工作效率。然而对于仪表的数量和种类均较多的场合,如化工厂、炼油厂车间,以往的读数方式已不能满足需求。为此,本文研究并设计了一种搭载摄像头的自主导航机器人,进行仪表位置的巡航工作。本文分析了坐标系统、环境地图模型与机器人运动模型。在此基础上,采用“ROS主机+ROS从机+机器人底座”分布式结构。设计了由USB摄像头、机械丝杆结构、里程计、无线通信模块等硬件组成的机器人总体系统。研究了室内环境栅格地图构建算法,对粒子滤波算法原理进行研究并进行MATLAB仿真,选用了基于粒子滤波原理的自适应蒙特卡洛定位方法。对传统的基于粒子滤波的RBPF-SLAM建图算法原理进行研究,为了解决传统算法中粒子频繁重采样导致粒子多样性减少的问题,通过将传感器最近的观测模型与运动模型相结合作为建议分布,并且使用自适应重采样方法减少粒子耗散,改进了 RBPF-SLAM算法。在不同的Gazebo仿真环境中进行建图实验,验证了建图算法的可行性。研究了移动机器人路径规划算法。设计了基于A*全局路径规划方法、DWA局部路径规划方法以及目标点发布算法为基础的仪表位置的导航算法。在Gazebo仿真环境中进行仪表目标点导航及动态避障实验,验证了多目标点巡航算法的有效性。设计了仪表表盘辅助定位模块,通过二维码定位及解码算法实现对目标点仪表高度等信息的获取。利用机械丝杆结构,无线传输模块和驱动电路,设计了动态调节机器人摄像头高度的方案,使其能够对准不同高度的仪表表盘。最后完成了机器人系统的搭建,并配置了 ROS系统环境。在实际环境中完成了对建图算法、仪表位置巡航算法和仪表表盘辅助定位模块的实验验证。
刘旭颖[3]（2021）在《基于机器视觉的割草机自主导航方法研究》文中研究指明随着机器视觉技术的不断发展与完善,基于机器视觉的导航系统在农业、工业、无人驾驶、服务业等领域都得到了广泛应用。由于城市化的发展,近年来割草机应用的越来越广泛,然而传统的割草机需要人工操作,劳动强度大,工作效率低。随着嵌入式处理器速度的提高以及机器视觉技术的进步,将机器视觉与嵌入式结合,用于对割草机进行自主导航成为可能。因此研究基于机器视觉的割草机自主导航与智能化控制具有重要的理论意义与实际应用价值。本文研究基于嵌入平台的机器视觉处理方法,并应用于对割草机的自主导航,具体研究内容分为以下几部分:（1）本文根据视觉导航的功能需求完成对硬件平台的搭建,主要包括视觉传感器、超声波传感器、Raspberry Pi 3B+、驱动模块的硬件连接,并完成对硬件平台的系统配置。（2）根据视觉导航的需要实现内外边界识别,并基于此提出不同的算法。对于外部边界识别,本文提出一种基于HSI与CIE Lab颜色空间分割融合的方法。利用改进的Otsu算法对颜色空间分量图像进行阈值分割并运用逻辑运算进行融合,该方法能有效处理相机抖动或光照影响下的部分模糊情况。对于内部边界识别,本文提出了一种基于纹理特征与颜色特征分割融合的方法。利用分块处理优化纹理特征的提取,使用SVM实现基于纹理特征的分割并与基于CIE Lab颜色空间的阈值分割进行融合,完成整体分割。利用边缘检测算子完成对内外边界的提取并做出相应行为判断。（3）根据视觉导航需要实现的内部障碍物识别,本文提出了一种基于颜色与纹理特征组合的识别方法。本文不区分障碍物种类,从摄像头视角考虑选取子图像并求取颜色特征,根据颜色特征差异将所有障碍物分为两类处理,分别进行基于颜色特征与基于纹理特征的识别,并根据识别结果启动超声波模块进行实时测距与反馈信息。小车依据测距结果做出判断,执行相应指令动作。（4）最后,将上述功能放入基于Linux系统的树莓派上进行测试,实验证明本文研究算法有良好的识别效果。
张睿[4]（2021）在《自重构球形机器人对接的导航控制研究》文中研究表明球形机器人具有稳定防倾覆以及全向快速移动的能力,近年来其相关研究一直是移动机器人研究中的热点和难点课题。本文所基于的球形机器人“BYQ-CG”面对地质灾害探测、预防巡检为主的任务时可以采取“化整为零”的策略,由单个球形机器人执行任务;面对排险救援、增强通过性为主的任务则采取“合零为整”的策略进行重构,因此如何帮助球形机器人实现准确对接是重构任务执行的关键也是本文研究的方向。面向球形机器人自重构技术研究,最基础和重要的协同工作便是球形机器人的对接,而通过设计适用于球形机器人的定位导航算法以及动态目标检测等实现位姿估计,准确完成面向球形机器人自重构的对接任务虽然挑战重重但确实具有可行性,这也是本文研究的意义所在。本论文以自重构球形机器人为研究对象,以准确实现自重构球形机器人的外部对接任务为研究目标,结合多传感器融合的优势对自重构球形机器人导航定位算法以及相对动态目标检测和位姿估计方法展开研究,确保自重构球形机器人在球壳闭合和球壳打开的运动工况中均能获得鲁棒的全局定位,并能基于此进行对接路径规划和导航,进一步地,在“粗对准”和“准确对接”的子任务阶段能获得稳定的运动目标检测以及相对位姿估计。本文研究取得成果如下:1.进行了自重构球形机器人定位导航与检测系统设计。通过分析自重构球形机器人以室外为主的应用场景和自身携带传感器的特性,以及现有的定位导航和目标识别、检测的方法,进行了自重构球形机器人BYQ-CG面向重构对接的导航检测系统设计。根据球形机器人运动中球壳是否打开分为两种定位工况,分别设计全球卫星导航系统松耦合惯性系统设计方案以及差分GNSS融合IMU以及双目视觉的全局定位方案;针对重构对接任务分为两个目标检测子任务,分别设计目标检测识别方案。通过与需求分析对比以及传感器实测,验证了本文所提方案及传感器选型的合理性。2.进行了面向自重构球形机器人对接的导航定位算法研究。为实现自重构球形机器人在室外场景下高精度和鲁棒性的全局定位,从而为重构对接任务提供导航支持,本文针对球壳闭合的工况提出一种全球卫星导航系统松耦合惯性系统（GNSS/INS）的强化自适应组合导航方法。针对球壳打开的复杂工况提出一种视觉惯性里程计融合GNSS的全局定位算法,将视觉惯性里程计（VIO）位姿信息和GNSS定位信息进行融合,从而实现局部精确和全局无漂移的实时联合位姿估计,为自重构球形机器人提供实时和鲁棒的全局位姿信息,并在其中加入了前端特征管理优化设计,以及将全局位姿信息加入紧耦合的基于非线性优化的后端中,与视觉残差和IMU残差一起优化,添加全局位姿残差,提升融合定位系统的计算速度和鲁棒性,在实际场景中目标定位误差在0.5m以内。最后通过基于安全优化A*和DWA融合的路径规划算法,为自重构球形机器人对接提供导航路径。3.本文面向球形机器人“粗对准”子任务阶段设计了一种轻量化的快速目标检测算法。通过使用ResBlock-D特征提取模块代替了部分CSPBlock特征提取模块,并加入残差辅助模块,在进一步轻量化目标检测算法的同时保证了目标检测识别的精度,同时通过融合所使用的深度相机的深度测量信息,使得该目标检测子系统具备了检测同时测得与目标距离的能力;面向“准确对接”子任务阶段,本文研究以特定的ArUco二维码作为靶标,间接解算外参,辅助机器人获得准确的对接接口位姿,实现相对位姿估计,为对接姿态控制提供反馈。4.基于自重构球形机器人的应用场景,面向自重构球形机器人的实际对接任务,对导航定位算法和目标检测识别算法进行了实验研究,并将上述的算法和系统集成,在BYQ-CG机器人平台上进行对接实验测试,以完整验证本文研究的可行性和有效性。
何佑星[5]（2021）在《多传感器融合的家庭服务机器人导航系统的设计与实现》文中认为机器人应用场景正在不断拓展,从最初的用于工业生产提高生产效率,到当下开始转向服务行业帮助人们创造美好生活。因为家庭服务的需要,家庭服务机器人独特优势越来越明显,但是至今还没有开始应用,是因为存在一定的实际问题。其中就包括家庭服务机器人面临未知复杂的家庭空间环境而无法实现自主导航问题,因此对其导航系统的研究显得十分重要和迫切。本文以项目小企鹅形的家庭服务机器人在家庭环境下导航问题为研究对象,针对未知复杂的家庭空间环境,尤其是在家庭空间环境中存在的障碍物不规则、随机分布且分布在不同空间层次、位置不确定的情况下,设计其自主导航系统并实现自主导航和主动避障功能。本文主要研究内容如下:1.根据家庭服务机器人的功能需求,设计多传感器融合的家庭服务机器人自主导航系统的方案,包括系统硬件部分的设计和在机器人操作系统平台软件开发。另外,设计接触式自动充电方式,以便家庭服务机器人在电量不足的时能够自动充电。2.采用激光雷达的同时定位与建图技术构建家庭环境栅格地图,通过研究粒子滤波算法提高定位精度,从而可以构建精确的地图。在路径规划中运用A*算法和动态窗口算法,能够实现在构建好的地图中搜索出从初始位置到目标位置最优可行的路径,在向目标位置行走过程中,遇到障碍物重新规划到达目标位置的局部路径。3.主要针对上述家庭空间环境中分布的障碍物,在向目标位置行走的过程中采用激光雷达、超声波传感器和深度摄像头等多传感器信息融合实时感知检测,为实现自主避障及局部路径规划奠定基础,也是本文的工作重点。4.结合研制的导航系统,按照系统运行流程进行编程实现导航系统功能。针对项目功能需求,对家庭服务机器人导航系统进行一系列的实验测试。经过不断调试与完善,最后通过实际的实验结果表明,家庭服务机器人在复杂未知的家庭空间环境可以实现无碰撞安全行走功能以及自动充电功能。
张书亮[6]（2021）在《基于多传感器融合的室内移动机器人定位与导航研究》文中研究说明近年来,随着机器人技术的快速的发展,室内移动机器人逐渐渗入到人类生产和生活的诸多方面。但受限于室内场景多变、紧凑的工作环境,移动机器人还有许多技术问题有待解决。本文针对应用于医院环境中物流配送的移动机器人,开展了移动机器人系统的定位与导航研究。由于医院环境狭窄、障碍物多并且人流量大,传统的差速轮式移动机器人在医院场景下并不适用。本文为此设计了一款基于麦克纳姆轮的全向移动机器人。首先,基于麦克纳姆轮设计了移动机器人的行走机构,完成了驱动单元设计,并根据物流配送的需求设计了机器人的本体构型。然后,开展了移动机器人的运动学研究,得到了逆运动学模型和正运动学模型。接着,开发了移动机器人的软硬件控制系统,为开展多传感器融合研究奠定了基础。针对室内移动机器人普遍存在定位精度低甚至定位失效问题,本文提出了一种新颖的多传感器融合定位方案。首先,对应用在移动机器人上的传感器及室内环境进行分析,制定了传感器方案。其次,对多传感器融合方法进行研究,提出了一种基于轮式里程计、惯性测量单元IMU、超宽带定位UWB模块和2D激光雷达的多传感器融合定位框架。为了实现所提出的多传感器融合定位框架,首先,研究了扩展卡尔曼滤波（EKF）算法和自适应蒙特卡罗（AMCL）定位方法。其次,将传感器的数学模型带入到多传感器融合框架下算法中,从而设计出了移动机器人的融合定位算法。针对自适应蒙特卡罗算法无法准确地进行粒子初始化问题,对算法的初始化参数进行了改进,利用UWB提供的位置数据实现了用于AMCL算法粒子初始化的自主初始化定位算法。为了提高移动机器人在实际应用中的自主导航功能,在移动机器人导航框架下改进了自主导航算法,实现了多点自主导航算法,该算法可以实现在环境中的多个目标点之间自主导航的功能。为了实现多传感器融合定位算法以及改进的导航算法在移动机器人上的应用,在ROS机器人操作系统的基础上开发了上位机软件。最后,在室内场景下,使用移动机器人对上述所实现的定位与导航算法进行实验。首先,实验验证了该定位框架的可行性,根据该框架实现的多传感器融合定位相比于单一的传感器定位精度有很大的提升,并且具有鲁棒性。其次,实验实现了移动机器人在启动时较为准确的自定位,验证了自主初始化定位（AIP）算法的可行性。另外,实现了移动机器人在室内环境下多点自主导航,验证了改进之后的导航算法的可行性。
孙欣成[7]（2021）在《室内场景下的移动机器人视觉建图与路径规划》文中研究表明随着机器人技术和智能控制技术的迅速发展,移动机器人的地图构建与路径规划在工业生产、智能家居等领域得到了广泛应用,逐渐成为了人们生产生活中的重要组成部分。在移动机器人地图构建领域,视觉传感器具有成本低、场景辨识能力高等优势,成为了获取环境信息的主要途径。同时随着移动机器人需求的逐渐扩大,人们对移动机器人的智能水平有了更高的要求,因此需要对其进行深入研究。本文以室内场景下移动机器人的视觉导航为应用背景,基于视觉和机器人操作系统对移动机器人的地图构建与路径规划进行了相关研究,主要工作如下:全向移动机器人视觉导航系统搭建。以小型全向移动机器人搭建硬件平台,以Linux操作系统和机器人操作系统搭建软件平台;建立移动机器人与深度相机坐标系,并对相机进行内外参和深度对齐标定;同时对麦克纳姆轮运动学模型进行求解,实现对移动机器人的全向控制。基于视觉地图构建和目标检测算法,设计了一种移动机器人地图构建与定位方法。首先利用视觉地图构建算法建立环境稀疏点云地图,并通过点云处理方法将其转化为半稠密点云地图和八叉树地图,然后投影至平面生成栅格地图用于移动机器人导航。同时使用目标检测算法对环境路标进行识别并将其信息映射至地图中。移动机器人通过地图导航时,利用路标当前位置与历史位置的差值对移动机器人位置进行矫正,提高其定位稳定性。基于全局路径规划算法和图形学算法,设计了一种移动机器人弯道路径平滑处理方法。首先利用全局路径规划算法规划初始全局路径,然后判断路径的大幅度转弯处并在初始路径的基础上应用Bresenham画圆算法进行路径优化,提高移动机器人在弯道处的的通过速度与平稳性。基于搭建的全向移动机器人视觉导航系统进行实验验证。在数据集和具体实验环境中,对设计的移动机器人地图构建与定位方法、路径优化算法分别进行了实验验证,实验结果证明了所设计方法的有效性和可行性。
王启来[8]（2021）在《基于双目视觉SLAM的AGV导航系统研究》文中认为自动引导运输车（Automated Guided Vehicles,AGV）作为移动机器人的一个分支,广泛地被应用于医疗、服务、工业、智能化立体仓库及近些年获得高速发展的智能物流等行业。AGV的引入,减少了劳动力需求,节约了劳动成本,同时提高了生产效率,在市场中有着庞大的需求潜力和发展前景。移动机器人如何通过传感器感知环境信息,进行自主定位是自主移动机器人能够完成导航、制导与控制任务的关键,而同时定位和地图构建（Simultaneous localization and mapping,SLAM）技术,作为一种颇具前景的移动机器人智能感知技术,逐渐成为当今移动机器人研究领域的热点。近些年来,视觉传感器凭借着硬件成本低、环境信息丰富等优点,吸引越来越多研究学者参与到视觉导航技术的研究中来,视觉SLAM在众多的导航方式中脱颖而出,成为当前的研究热点。本文针对人工特征提取算法在光照变化、尺度变化、图像旋转、噪声等条件下,特征匹配精度较低,匹配正确率下降,关键点重叠等问题,研究（Geometric Correspondence Network,GCN）深度学习网络的基础上,采用一种轻量的适用于低功耗嵌入式系统的GCN-L深度学习网络用于特征点提取,生成与ORB特征相同格式的关键点和描述子。在经典的视觉SLAM框架内进行改进,搭建一套GCN-SLAM系统及视觉导航AGV实验平台,并对所提算法进行验证。本文的主要研究工作内容如下:（1）研究了双目相机成像原理。使用ROS系统下Camera Calibrator工具箱中的张正友标定法对双目相机的标定,获取相机的内参并对相机获取的图像进行矫正。建立了视觉导航AGV的运动模型和观测模型。（2）研究了前端视觉里程计中的算法。采用一种适用于嵌入式低功耗开发板的改进GCN网络的轻量化深度学习网络结构—GCN-L特征提取算法,并与传统人工特征点提取算法ORB、SIFT、SURF进行比较,实验结果表明GCN-L特征提取算法的空间分布均匀性和快速性更适合视觉SLAM系统;同时,还采用FLANN特征匹配算法,结合（Random Sample Consensus,RANSAC）剔除算法进行特征点匹配,实验结果表明该特征匹配方法明显剔除了大量误匹配点,具有更好的匹配效果;最后,采用迭代最近点（Iterrative Closest Point,ICP）算法对双目相机采集的图像进行运动估计求解,并使用g2o优化库对估计的运动轨迹进行了优化。（3）研究了后端优化中基于图优化的非线性优化方法。结合位姿优化使用BA（Bundle Adjustment）进行优化。分析了回环检测算法,并采用一种DBo W词袋模型的方法判断两幅图像的相似性,进行回环检测判断,有效地提高了回环检测的准确率。（4）将GCN-L特征提取算法结合到传统的ORB-SALM中搭建视觉SLAM系统。使用Euroc数据集进行仿真实验,并通过自主搭建的视觉导航AGV实验平台使用GCN-SLAM进行实际场景地图构建实验,验证了本文所提算法的特征提取均匀性,快速旋转图像跟踪性,说明了算法的可行性。
刘冠一[9]（2021）在《仓储环境下智能移动机器人路径规划研究》文中研究指明仓储作为物流环节的重要一环,其运作效率已经备受关注。目前,许多物流仓储内都已经使用智能移动机器人进行搬运物品,提高了工作效率。路径规划作为移动机器人自主导航的重要技术之一,它的好坏决定着移动机器人能否高效安全地到达指定目标点。路径规划根据不同的工作状态和环境信息分为全局路径规划和局部路径规划。由于仓储环境具有动态性和复杂性,单一的路径规划方法无法满足工作需要,因此本文将两者结合起来设计了一种混合路径规划方法。主要的研究内容如下:第一,针对移动机器人采用传统蚁群算法进行全局路径规划时,存在着前期搜索效率低和易陷入局部最优解等问题,为此提出了一种改进免疫-蚁群混合算法。该算法首先利用免疫算法具有快速全局收敛性,得出最优解并作为蚁群算法的初始信息素分布;在此基础上,采用改进蚁群算法进行全局路径规划,有效地解决了搜索前期因信息素匮乏而效率较低的问题。最后利用MATLAB软件进行仿真实验,实验结果证明了改进免疫-蚁群算法能够更好地解决复杂环境下移动机器人路径规划问题,具有较好的鲁棒性和可行性。第二,当前物流仓储环境的复杂性与动态性程度越来越高,要求移动机器人在行驶过程中能够及时避开动态障碍物的能力也越来越高。传统人工势场法在进行局部路径规划中存在着目标不可达、避障能力差、易陷入局部最小值等问题,无法满足移动机器人工作要求。针对传统人工势场法的诸多问题,设计了一种模糊人工势场法。通过设置距离阈值改进传统引力势场函数,引入移动机器人与障碍物的距离改进传统斥力势场函数,再通过引入移动机器人与移动目标点的相对速度和移动机器人与动态障碍物的相对速度,得到新的改进人工势场法。将改进人工势场法与模糊逻辑控制算法结合,对各函数中的系数进行模糊化处理,解决了传统人工势场法的缺陷。最后在MATLAB上进行局部路径规划仿真实验,仿真结果表明模糊人工势场法能够使移动机器人避开动态障碍物且顺利到达目标点,具有很好的可行性。第三,在实际环境下进行移动机器人混合路径规划实验。首先对移动机器人的开发环境及ROS系统进行介绍,其次对移动机器人的硬件平台的组成装置进行介绍,并分析了移动机器人的运动学模型。最后进行实际环境下路径规划实验。实验前先布置障碍物位置,并利用智能移动机器人装载的激光雷达对实际环境信息进行采集,将采集到的信息上传至上位机经SLAM算法处理后,构建出环境地图。移动机器人采用改进免疫-蚁群混合算法进行全局路径规划后设计出一条最优路径,然后在行驶过程中采用模糊人工势场法进行局部避障行为,最终成功到达指定地点。实际环境下移动机器人路径规划实验结果证明了混合路径规划算法具有应用性和可行性。
李森[10]（2021）在《基于多信息融合的智能小车定位研究》文中研究指明虽然,视觉SLAM（Simultaneous Localization and Mapping）广泛应用于机器人自主定位和地图构建。但是,在面对光照变化、纹理变化、以及快速运动等情况时,视觉SLAM定位会产生精度不准确的问题。因此,在视觉SLAM系统中引入IMU传感器进行耦合（视觉惯性里程计）提升定位的准确性和鲁棒性。其中,若视觉信息失效会导致IMU迅速漂移。当移动机器人以恒速运动或者纯旋转运动时,视觉惯性里程计会因无法获取有效的加速度激励,产生四个不可观测的方向以及计算的尺度因子不精准的问题。通过引入轮式里程计解决视觉惯性里程计移植到移动机器人上尺度的弱可观问题以及因视觉信息失效而导致的IMU漂移问题。具体研究如下:首先,完成载有单目摄像头、IMU、轮式里程计、激光雷达的智能小车移动机器人硬件平台的搭建。单目视觉里程计以稀疏直接法（半直接法,SVO）实时估计相机位姿,通过IMU恢复单目相机的尺度完成位置信息输出。单目相机的位置信息,IMU的加速度、偏航角,轮式里程计的速度三种传感器信息通过扩展卡尔曼滤波完成松耦合定位。在光照变化情况下,经过实验证明了单目视觉算法的准确性以及智能小车的定位精度。其次,改进扩展卡尔曼滤波算法的尺度恢复方法,实现单目视觉以半直接法完成视觉惯性里程计,通过Euroc数据集进行验证改进算法的准确性。通过树莓派侧完成视觉、IMU、轮式里程计紧耦合,解决视觉辅助惯性导航系统（VINS）产生方向不可观和尺度弱可观问题。最后,在室内环境下,经过混合式结构的智能小车采集周围环境的数据信息,完成多信息融合算法定位的准确性验证。经过实验证明,改进后的多传感器融合算法能够在视觉失效后也能够完成精准定位,相比扩展卡尔曼滤波多传感器松耦合算法定位更有效。
二、智能移动机器人视觉处理及自主导航方法研究（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、智能移动机器人视觉处理及自主导航方法研究（论文提纲范文）
（1）目标驱动的移动机器人自主导航研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统导航方法研究现状 |
| 1.2.2 深度强化学习导航方法研究现状 |
| 1.3 本文主要研究内容和章节安排 |
| 2 强化学习与深度强化学习理论基础 |
| 2.1 引言 |
| 2.2 强化学习理论基础 |
| 2.2.1 马尔科夫决策过程 |
| 2.2.2 传统强化学习方法 |
| 2.3 深度强化学习理论基础 |
| 2.3.1 值函数方法 |
| 2.3.2 策略梯度方法 |
| 2.5 本章小结 |
| 3 基于深度强化学习的移动机器人静态目标导航 |
| 3.1 引言 |
| 3.2 算法整体框架 |
| 3.3 模拟环境下的导航实验结果及分析 |
| 3.4 真实场景下的导航实验结果与分析 |
| 3.4.1 导航过程中目标物体变化 |
| 3.4.2 导航过程中环境变化 |
| 3.4.3 绑架机器人问题 |
| 3.5 本章小结 |
| 4 基于深度强化学习的移动机器人动态目标导航算法 |
| 4.1 引言 |
| 4.2 Teamwork-net原理 |
| 4.2.1 系统框架 |
| 4.2.2 网络结构 |
| 4.2.3 训练方法 |
| 4.2.4 动作定义 |
| 4.2.5 奖励构造 |
| 4.3 本章小结 |
| 5 动态目标导航实验 |
| 5.1 引言 |
| 5.2 移动机器人动态目标导航模拟实验 |
| 5.2.1 模拟环境搭建 |
| 5.2.2 任务定义 |
| 5.2.3 分段式训练 |
| 5.3 动机器人动态目标导航模拟实验结果与分析 |
| 5.3.1 低速状态下的运动目标导航实验结果与分析 |
| 5.3.2 速状态下的运动目标导航实验结果与分析 |
| 5.3.3 摸拟场景训练结果可视化与分析 |
| 5.4 基于深度强化学习的移动机器人动态目标导航实物实验 |
| 5.4.1 目标机器人初始位置可见实验结果 |
| 5.4.2 目标机器人初始位置不可见实验结果 |
| 5.4.3 真实场景训练结果可视化与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）用于仪表位置寻找的自主导航机器人研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 ROS国内外发展现状 |
| 1.2.2 工业移动机器人发展现状 |
| 1.2.3 移动机器人导航技术发展现状 |
| 1.2.4 SLAM技术发展现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 2 用于仪表位置寻找的自主导航机器人系统设计 |
| 2.1 系统建模 |
| 2.1.1 坐标系统 |
| 2.1.2 运动模型 |
| 2.1.3 地图模型 |
| 2.2 系统总体方案 |
| 2.3 系统硬件设计 |
| 2.3.1 机器人主控选型 |
| 2.3.2 机器人底座设计 |
| 2.3.3 测距传感器选型 |
| 2.4 系统软件设计 |
| 2.4.1 ROS系统结构 |
| 2.4.2 ROS系统安装 |
| 2.4.3 机器人软件结构设计 |
| 2.5 本章小结 |
| 3 机器人定位与地图构建方法研究 |
| 3.1 机器人定位方式 |
| 3.2 机器人定位算法 |
| 3.2.1 贝叶斯滤波原理 |
| 3.2.2 粒子滤波原理 |
| 3.2.3 重要性采样 |
| 3.2.4 基于粒子滤波的蒙特卡洛定位方法 |
| 3.3 地图构建算法 |
| 3.3.1 SLAM理论 |
| 3.3.2 基于Rao-Blackwellized粒子滤波器的SLAM算法 |
| 3.3.3 RBPF-SLAM算法优化 |
| 3.4 改进RBPF-SLAM算法仿真实验 |
| 3.5 本章小结 |
| 4 仪表位置导航算法研究 |
| 4.1 全局路径规划算法 |
| 4.1.1 A*全局路径规划算法 |
| 4.1.2 A*算法实现步骤 |
| 4.2 局部路径规划算法 |
| 4.2.1 DWA动态窗口法原理 |
| 4.2.2 局部路径规划算法仿真实验 |
| 4.3 仪表位置巡航算法 |
| 4.4 仪表位置巡航算法仿真实验 |
| 4.5 本章小结 |
| 5 仪表表盘辅助定位模块设计 |
| 5.1 仪表表盘辅助定位模块方案 |
| 5.2 二维码图像预处理算法 |
| 5.2.1 图像灰度化 |
| 5.2.2 滤波降噪算法 |
| 5.2.3 图像增强算法 |
| 5.2.4 图像二值化 |
| 5.3 二维码图像定位解码 |
| 5.3.1 二维码定位算法 |
| 5.3.2 二维码解码原理 |
| 5.4 升降机械结构及驱动 |
| 5.4.1 无线数据传输 |
| 5.4.2 步进电机控制 |
| 5.4.3 传动机械结构 |
| 5.5 本章小结 |
| 6 用于仪表位置寻找的自主导航机器人系统实验 |
| 6.1 ROS多机通信环境搭建 |
| 6.2 建图实验 |
| 6.3 仪表位置巡航实验 |
| 6.4 仪表表盘辅助定位实验 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（3）基于机器视觉的割草机自主导航方法研究（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 机器视觉的研究现状 |
| 1.2.2 视觉导航的研究现状 |
| 1.2.3 智能割草机的研究现状 |
| 1.2.4 割草机自主导航研究现状 |
| 1.3 论文研究内容和章节安排 |
| 第二章 自主导航方法的总体设计 |
| 2.1 总体方案 |
| 2.2 硬件组成 |
| 2.2.1 树莓派3B+开发板 |
| 2.2.2 摄像头模块 |
| 2.2.3 超声波模块 |
| 2.2.4 驱动模块 |
| 2.3 开发环境配置 |
| 2.3.1 开发板系统烧写 |
| 2.3.2 开发板中Open CV的安装 |
| 2.3.3 开发板中wiring Pi的安装 |
| 2.3.4 远程桌面的安装 |
| 2.4 本章小结 |
| 第三章 草地边界的识别 |
| 3.1 外部边界的识别设计 |
| 3.1.1 草地外部边界的识别方法 |
| 3.1.2 外部边界图像预处理 |
| 3.1.3 基于改进的Otsu阈值分割 |
| 3.1.4 图像后续处理 |
| 3.1.5 外部边界提取 |
| 3.1.6 外部边界行走判断 |
| 3.2 内部边界的识别设计 |
| 3.2.1 草地内部边界的识别方法 |
| 3.2.2 内部边界图像预处理 |
| 3.2.3 灰度共生矩阵的计算与特征提取 |
| 3.2.4 SVM算法原理与工作过程 |
| 3.2.5 图像融合 |
| 3.2.6 图像后续处理与边界提取 |
| 3.2.7 在内部边界的行走判断 |
| 3.3 本章小结 |
| 第四章 草地内部障碍物的识别 |
| 4.1 传统避障方法 |
| 4.2 障碍物识别方案选择 |
| 4.2.1 基于颜色特征的判断 |
| 4.3 基于颜色特征的识别 |
| 4.3.1 基于颜色特征识别的预处理 |
| 4.3.2 掩膜操作 |
| 4.3.3 基于颜色特征识别效果 |
| 4.4 基于纹理特征的识别 |
| 4.4.1 基于纹理特征识别的预处理 |
| 4.4.2 计算特征图像 |
| 4.4.3 阈值分割 |
| 4.4.4 基于纹理特征识别效果 |
| 4.5 障碍物识别测试 |
| 4.6 超声波辅助识别 |
| 4.7 本章小结 |
| 第五章 嵌入式平台的功能测试 |
| 5.1 硬件平台功能 |
| 5.2 功能测试 |
| 5.2.1 视觉导航规则说明 |
| 5.2.2 超声波模块测试 |
| 5.2.3 外部边界识别测试 |
| 5.2.4 内部边界识别测试 |
| 5.2.5 内部障碍物的识别测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（4）自重构球形机器人对接的导航控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 球形机器人及其导航定位研究现状 |
| 1.2.2 移动机器人多传感器融合定位及导航的研究现状 |
| 1.2.3 自重构机器人自主对接的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 自重构球形机器人导航识别系统设计 |
| 2.1 引言 |
| 2.2 自重构球形机器人BYQ-CG对接重构相关机械结构设计介绍 |
| 2.3 自重构球形机器人导航识别方法分析 |
| 2.3.1 自重构球形机器人导航定位方法分析 |
| 2.3.2 自重构球形机器人目标检测及准确姿态估计方法分析 |
| 2.4 自重构球形机器人导航识别系统总体设计 |
| 2.4.1 系统需求分析 |
| 2.4.2 重构球形机器人导航识别系统设计 |
| 2.4.3 定位导航子系统设计 |
| 2.4.4 目标检测识别子系统设计 |
| 2.5 导航识别相关传感器及其选型测试 |
| 2.5.1 系统处理器选型 |
| 2.5.2 GNSS/INS组合定位系统传感器选型及测试 |
| 2.5.3 视觉定位及检测传感器选型 |
| 2.5.4 视觉传感器的标定及性能测试 |
| 2.6 本章小结 |
| 第三章 面向对接的自重构球形机器人定位导航算法研究 |
| 3.1 引言 |
| 3.2 GNSS/INS融合定位算法研究 |
| 3.2.1 导航系统坐标系及转换 |
| 3.2.2 GNSS/INS松耦合自适应卡曼滤波算法 |
| 3.3 GNSS融合双目视觉惯性里程计定位算法研究 |
| 3.3.1 基于滑动窗口优化的全局位姿估计框架 |
| 3.3.2 前端追踪及特征管理的优化设计 |
| 3.3.3 基于滑窗的紧耦合VIO后端优化 |
| 3.4 自重构球形机器人改进后的融合定位算法实验验证 |
| 3.5 自重构球形机器人路径规划研究与实现 |
| 3.5.1 面向自重构球形机器人对接规划的A*算法和DWA算法优化 |
| 3.5.2 面向自重构球形机器人对接规划的融合路径规划方法 |
| 3.5.3 路径规划实验验证 |
| 3.6 本章小结 |
| 第四章 自重构球形机器人对接目标检测及准确识别研究 |
| 4.1 引言 |
| 4.2 自重构球形机器人粗对接阶段目标检测算法研究 |
| 4.3 目标检测调用深度相机实现实时距离输出 |
| 4.4 基于ArUco靶标的准确相对位姿解算 |
| 4.5 实验分析 |
| 4.5.1 针对自重构球形机器人的数据集制作和训练 |
| 4.5.2 自重构球形机器人目标检测实验 |
| 4.5.3 目标检测结合测距功能的实现 |
| 4.5.4 自重构球形机器人准确对接阶段实验 |
| 4.6 小结 |
| 第五章 自重构球形机器人对接的导航及检测实验研究 |
| 5.1 引言 |
| 5.2 实验平台与实验方案 |
| 5.2.1 硬件平台 |
| 5.3 实验结果与分析 |
| 5.3.1 面向自重构球形机器人对接任务的系统实验测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术成果 |
（5）多传感器融合的家庭服务机器人导航系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景 |
| 1.1.3 课题研究意义 |
| 1.2 国内外移动机器人研究现状 |
| 1.2.1 国外移动机器人研究现状 |
| 1.2.2 国内移动机器人研究现状 |
| 1.2.3 现有研究存在的问题 |
| 1.3 自主导航关键技术的研究现状概况 |
| 1.3.1 机器人导航方式 |
| 1.3.2 同时定位与地图构建 |
| 1.3.3 路径规划 |
| 1.3.4 多传感器融合 |
| 1.4 本文主要研究内容及结构安排 |
| 第2章 导航系统总体方案设计 |
| 2.1 设计需求分析 |
| 2.1.1 功能需求分析 |
| 2.1.2 性能需求分析 |
| 2.2 系统总体架构设计 |
| 2.3 系统硬件部分 |
| 2.3.1 系统硬件的整体架构与组成 |
| 2.3.2 系统硬件部分搭建 |
| 2.4 系统软件开发平台 |
| 2.4.1 系统软件开发环境 |
| 2.4.2 机器人操作系统ROS |
| 2.5 本章小结 |
| 第3章 导航关键技术的研究 |
| 3.1 SLAM技术概述 |
| 3.1.1 SLAM问题描述 |
| 3.1.2 SLAM技术流程 |
| 3.2 粒子滤波 |
| 3.3 路径规划 |
| 3.3.1 全局路径规划 |
| 3.3.2 局部路径规划 |
| 3.4 本章小结 |
| 第4章 多传感器融合技术的研究 |
| 4.1 多传感器融合基础 |
| 4.2 多传感器融合决策规则 |
| 4.3 多传感器信息融合技术 |
| 4.3.1 多传感器融合分类 |
| 4.3.2 多传感器融合方法 |
| 4.4 贝叶斯估计 |
| 4.5 导航避障流程 |
| 4.5.1 多传感器识别障碍物过程 |
| 4.5.2 导航避障整体流程 |
| 4.6 本章小结 |
| 第5章 导航系统的实现与实验分析 |
| 5.1 导航系统的运行 |
| 5.1.1 导航系统运行原理 |
| 5.1.2 系统运行流程 |
| 5.1.3 系统数据通信 |
| 5.1.4 数据结构转换 |
| 5.2 导航关键技术的实现 |
| 5.2.1 SLAM构建地图实现 |
| 5.2.2 蒙特卡洛定位实现 |
| 5.2.3 路径规划实现 |
| 5.3 系统实验与分析 |
| 5.3.1 系统实验模拟搭建 |
| 5.3.2 实验过程与分析 |
| 5.3.3 导航系统性能测试与分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A |
（6）基于多传感器融合的室内移动机器人定位与导航研究（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 相关领域研究现状 |
| 1.2.1 室内移动机器人发展及现状 |
| 1.2.2 移动机器人关键技术现状 |
| 1.3 本领域亟待解决的关键难点 |
| 1.4 本文主要研究内容及章节安排 |
| 第2章 室内移动机器人系统搭建 |
| 2.1 硬件系统设计 |
| 2.1.1 机器人平台规格和设计概述 |
| 2.1.2 驱动机构设计 |
| 2.1.3 移动机器人硬件系统组成 |
| 2.2 移动机器人运动学分析 |
| 2.2.1 麦克纳姆轮的安装方式 |
| 2.2.2 运动学模型推导 |
| 2.3 下位机运动控制系统设计 |
| 2.4 上位机控制系统搭建 |
| 2.4.1 机器人操作系统ROS |
| 2.4.2 ROS系统搭建 |
| 2.5 本章小结 |
| 第3章 定位传感器及定位方案设计 |
| 3.1 室内定位的传感器 |
| 3.1.1 机器人室内工作环境分析 |
| 3.1.2 传感器工作性能分析 |
| 3.2 传感器定位的数学模型 |
| 3.2.1 建立坐标系 |
| 3.2.2 轮式里程计数据分析 |
| 3.2.3 惯性测量单元IMU |
| 3.2.4 激光雷达数据处理 |
| 3.2.5 UWB数据处理 |
| 3.3 室内多传感器融合定位方案 |
| 3.3.1 融合定位框架 |
| 3.3.2 定位系统设计 |
| 3.4 本章小节 |
| 第4章 多传感器融合定位和导航算法研究 |
| 4.1 移动机器人定位算法 |
| 4.1.1 扩展卡尔曼滤波算法 |
| 4.1.2 自适应能特卡罗定位算法 |
| 4.2 基于轮式里程计、IMU和 UWB的融合定位算法 |
| 4.2.1 状态预测 |
| 4.2.2 测量更新 |
| 4.3 基于轮式里程计、IMU、UWB和激光雷达融合定位算法 |
| 4.3.1 基于自适应蒙特卡罗的融合定位算法 |
| 4.3.2 算法改进 |
| 4.4 移动机器人导航算法 |
| 4.4.1 移动机器人路径规划算法 |
| 4.4.2 导航算法改进 |
| 4.5 本章小结 |
| 第5章 实验及分析 |
| 5.1 创建环境地图 |
| 5.1.1 实验环境及配置介绍 |
| 5.1.2 创建环境地图 |
| 5.2 移动机器人室内融合定位实验 |
| 5.2.1 实验前的准备 |
| 5.2.2 基于里程计、IMU和 UWB的融合定位算法验证 |
| 5.2.3 基于里程计、IMU、UWB和激光雷达的融合定位算法验证 |
| 5.3 移动机器人室内导航实验 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）室内场景下的移动机器人视觉建图与路径规划（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 视觉SLAM与路径规划的国内外研究现状 |
| 1.2.1 视觉SLAM |
| 1.2.2 路径规划 |
| 1.3 本文研究内容及论文结构 |
| 2 全向移动机器人视觉导航系统构建 |
| 2.1 全向移动机器人硬件平台搭建 |
| 2.1.1 全向移动机器人平台 |
| 2.1.2 麦克纳姆轮运动学模型 |
| 2.1.3 深度相机 |
| 2.2 相机坐标系建立及其标定 |
| 2.2.1 相机坐标系转换 |
| 2.2.2 深度相机内外参标定 |
| 2.2.3 深度对齐标定 |
| 2.3 系统架构与开发平台 |
| 2.3.1 系统架构 |
| 2.3.2 软件开发平台 |
| 2.4 本章小结 |
| 3 基于深度学习的视觉导航地图构建 |
| 3.1 基于YOLO的视觉感知 |
| 3.1.1 YOLOv5 目标检测算法 |
| 3.1.2 YOLOv5s网络训练与测试 |
| 3.2 视觉导航地图构建 |
| 3.2.1 ORB-SLAM3 算法 |
| 3.2.2 半稠密点云地图构建 |
| 3.2.3 八叉树地图构建 |
| 3.3 实验环境路标获取与映射 |
| 3.3.1 二维栅格地图构建 |
| 3.3.2 路标获取与映射 |
| 3.4 本章小结 |
| 4 移动机器人导航与路径优化 |
| 4.1 路径规划算法分析 |
| 4.1.1 全局路径规划 |
| 4.1.2 局部路径规划 |
| 4.2 移动机器人路径优化 |
| 4.2.1 Bresenham画圆算法 |
| 4.2.2 弯道路径优化处理 |
| 4.2.3 移动机器人路径规划系统构建 |
| 4.3 移动机器人导航与辅助定位 |
| 4.3.1 导航与定位框架 |
| 4.3.2 移动机器人辅助定位 |
| 4.4 本章小结 |
| 5 实验验证 |
| 5.1 实验准备 |
| 5.2 移动机器人地图构建实验 |
| 5.2.1 数据集地图构建实验 |
| 5.2.2 实验环境地图构建实验 |
| 5.3 移动机器人路径规划实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 课题资助情况 |
| 致谢 |
（8）基于双目视觉SLAM的AGV导航系统研究（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 AGV国内外研究现状 |
| 1.2.1 国外AGV研究现状 |
| 1.2.2 国内AGV研究现状 |
| 1.3 视觉SLAM国内外现状 |
| 1.3.1 SLAM问题简介 |
| 1.3.2 国外研究现状 |
| 1.3.3 国内研究现状 |
| 1.4 论文章节安排 |
| 第二章 双目视觉SLAM简介 |
| 2.1 视觉SLAM简介 |
| 2.2 DUO MLX传感器介绍 |
| 2.3 相机成像原理 |
| 2.3.1 相机成像模型 |
| 2.3.2 相机畸形模型 |
| 2.3.3 双目相机模型 |
| 2.4 双目相机标定 |
| 2.5 视觉导航AGV的 SLAM模型 |
| 2.5.1 视觉导航AGV运动模型 |
| 2.5.2 视觉导航AGV观测模型 |
| 2.6 本章小结 |
| 第三章 基于深度学习的前端视觉里程计 |
| 3.1 基于GCN-L深度学习网络特征提取 |
| 3.1.1 GCN-L网络结构 |
| 3.1.2 特征提取 |
| 3.1.3 分布式关键点检测器 |
| 3.1.4 GCN-L网络训练 |
| 3.2 特征提取比对分析 |
| 3.3 特征匹配 |
| 3.4 运动轨迹估计 |
| 3.5 本章小结 |
| 第四章 后端优化及GCN-SLAM系统 |
| 4.1 基于BA图优化 |
| 4.1.1 图优化原理 |
| 4.1.2 迭代算法 |
| 4.2 回环检测 |
| 4.2.1 回环检测介绍 |
| 4.2.2 词袋模型 |
| 4.3 GCN-SLAM系统 |
| 4.4 本章小结 |
| 第五章 视觉导航AGV系统设计 |
| 5.1 视觉导航AGV硬件平台 |
| 5.1.1 底层移动平台 |
| 5.1.2 主控制系统 |
| 5.1.3 视觉传感器 |
| 5.2 视觉导航AGV软件平台 |
| 5.2.1 ROS机器人操作系统简介 |
| 5.2.2 ROS通信架构简介 |
| 5.3 程序设计 |
| 5.3.1 主控制系统程序 |
| 5.3.2 底层移动平台控制器程序 |
| 5.4 地图构建测试与分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 作者简介 |
（9）仓储环境下智能移动机器人路径规划研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 全局路径规划研究现状 |
| 1.3.2 局部路径规划研究现状 |
| 1.4 主要研究内容 |
| 2 相关技术理论 |
| 2.1 环境建模技术 |
| 2.2 室内定位技术 |
| 2.3 自主导航技术 |
| 2.4 本章小结 |
| 3 基于改进免疫-蚁群混合算法的全局路径规划研究 |
| 3.1 引言 |
| 3.2 传统免疫算法 |
| 3.2.1 传统免疫算法原理 |
| 3.2.2 传统免疫算法数学模型 |
| 3.2.3 传统免疫算法特征 |
| 3.3 传统蚁群算法 |
| 3.3.1 传统蚁群算法原理 |
| 3.3.2 传统蚁群算法数学模型 |
| 3.3.3 传统蚁群算法特征 |
| 3.4 改进免疫-蚁群混合算法 |
| 3.4.1 算法融合分析 |
| 3.4.2 免疫算法的改进 |
| 3.4.3 蚁群算法的改进 |
| 3.4.4 改进免疫-蚁群算法流程 |
| 3.5 仿真实验与分析 |
| 3.6 本章小结 |
| 4 基于模糊人工势场法的局部路径规划研究 |
| 4.1 传统人工势场法 |
| 4.1.1 传统人工势场法原理 |
| 4.1.2 传统人工势场法存在的问题 |
| 4.2 改进人工势场法 |
| 4.2.1 引入距离阈值 |
| 4.2.2 引入距离因子 |
| 4.2.3 引入相对速度 |
| 4.3 模糊人工势场法 |
| 4.3.1 模糊逻辑控制器的设计 |
| 4.3.2 模糊控制器的设计 |
| 4.4 仿真实验及结果分析 |
| 4.5 本章小结 |
| 5 实际环境下移动机器人路径规划实验 |
| 5.1 ROS系统与硬件平台 |
| 5.1.1 ROS系统结构 |
| 5.1.2 硬件平台 |
| 5.2 移动机器人运动学分析 |
| 5.2.1 机器人位置坐标系转换 |
| 5.2.2 运动学模型建立及分析 |
| 5.3 实际环境下路径规划实验 |
| 5.3.1 实际环境中障碍物布置 |
| 5.3.2 建立环境地图及路径规划 |
| 5.3.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者攻读学位期间取得的研究成果 |
（10）基于多信息融合的智能小车定位研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的目的意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究的内容 |
| 第二章 智能小车系统设计 |
| 2.1 硬件构成 |
| 2.2 软件系统架构 |
| 2.3 智能小车的运动学模型 |
| 2.4 智能小车传感器模块功能测试 |
| 2.4.1 测试模块化功能 |
| 2.4.2 基于边缘侧地图定位实验 |
| 2.5 本章小结 |
| 第三章 传感器模型、标定及数据预处理 |
| 3.1 坐标系定义及符号说明 |
| 3.2 传感器模型 |
| 3.2.1 IMU运动模型及标定 |
| 3.2.2 单目相机模型及标定 |
| 3.2.3 轮式里程计传感器模型 |
| 3.3 传感器联合标定 |
| 3.4 传感器数据预处理 |
| 3.5 本章小结 |
| 第四章 基于扩展卡尔曼滤波的多传感器融合定位 |
| 4.1 改进融合半直接法的ORB-SLAM2 的视觉里程计 |
| 4.2 扩展卡尔曼滤波的多传感器融合定位算法设计 |
| 4.3 实验与数据分析 |
| 4.4 本章小结 |
| 第五章 基于边缘侧的混合式信息融合定位 |
| 5.1 视觉辅助惯性导航系统分析 |
| 5.2 视觉惯性紧耦合里程计算法设计 |
| 5.3 边缘侧的混合式多传感器信息融合定位算法设计 |
| 5.4 实验与数据分析 |
| 5.5 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 |
| 个人简介及攻读学位期间取得的研究成果 |
四、智能移动机器人视觉处理及自主导航方法研究（论文参考文献）
- [1]目标驱动的移动机器人自主导航研究[D]. 岳鹏宇. 西安理工大学, 2021(01)
- [2]用于仪表位置寻找的自主导航机器人研究[D]. 徐明辉. 西安理工大学, 2021(01)
- [3]基于机器视觉的割草机自主导航方法研究[D]. 刘旭颖. 南京信息工程大学, 2021(01)
- [4]自重构球形机器人对接的导航控制研究[D]. 张睿. 北京邮电大学, 2021(01)
- [5]多传感器融合的家庭服务机器人导航系统的设计与实现[D]. 何佑星. 兰州理工大学, 2021(01)
- [6]基于多传感器融合的室内移动机器人定位与导航研究[D]. 张书亮. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [7]室内场景下的移动机器人视觉建图与路径规划[D]. 孙欣成. 大连理工大学, 2021(01)
- [8]基于双目视觉SLAM的AGV导航系统研究[D]. 王启来. 内蒙古工业大学, 2021(01)
- [9]仓储环境下智能移动机器人路径规划研究[D]. 刘冠一. 北京印刷学院, 2021(09)
- [10]基于多信息融合的智能小车定位研究[D]. 李森. 河北大学, 2021(09)