一、基于模糊神经网络的信息融合技术在移动机器人中的应用（论文文献综述）
刘建猛[1]（2021）在《基于嵌入式实时系统的移动机器人控制系统设计》文中研究指明随着社会和科学不断发展与进步,移动机器人技术正在朝着一个更加自主、智能的方向发展。如今越来越多的移动机器人技术在生活中得到应用,这给人们带来了极大地便利。移动机器人领域相当复杂,这是一个多学科交织在一起的领域。移动机器人控制系统的设计决定着移动机器人功能的好与坏,所以移动机器人控制系统的设计非常重要。本文研究移动机器人控制系统的设计,包括对移动机器人硬件结构整体设计,对传感器数据的信息融合,对基于模糊控制算法控制器的设计,和移动机器人避障运动分析、相关程序的设计。移动机器人硬件整体结构设计主要基于实验室现有的非自主式移动机器人进行改进设计,设计移动机器人整体结构,对传感器系统进行选型和位置合理地分布。本文对多种信息融合算法进行分析,研究不同信息融合算法在移动机器人领域使用的优缺点,通过对多种信息融合算法的应用场景、算法实现复杂度等优缺点分析,利用模糊控制算法设计了移动机器人控制系统的模糊控制器,提出了移动机器人遇到不同情况下障碍物的避障策略,在MATLAB仿真和实验中通过移动机器人控制系统的避障应用验证了该系统设计的有效性。在移动机器人控制系统避障应用过程中,超声波传感器和激光雷达传感器共同获取外部环境与障碍物之间的距离信息,姿态测量单元获取移动机器人的当前位姿。在实际系统运行时把各个传感器采集的环境数据进行预处理,设置相应的基于模糊控制的避障策略,然后将传感器采集数据信息输入到模糊控制器中进行数据处理,在仿真平台和实验过程中观察移动机器人在未知环境下的避障行为和响应速度,经仿真和实验分析,该控制系统满足本课题设计预期目标,从理论和实践中验证了该移动机器人控制系统的有效性。
刘昌力[2]（2020）在《动态未知环境下的路径规划避障策略研究》文中研究表明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[3]（2020）在《基于多传感器信息融合的无人小车避障算法研究》文中提出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。
王宁[4]（2020）在《自动送货机器人控制研究》文中进行了进一步梳理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。
刘洋[5]（2019）在《基于多传感器信息融合的机器人避障系统的研究与实现》文中认为随着移动机器人在工业生产和日常生活中的广泛应用,人们对其安全性的要求也越来越高。移动机器人在未知环境下移动会遇到各种各样的障碍物,如何快速有效地识别并躲避这些障碍物完成既定的任务,一直是自主移动机器人领域的研究热点。单一的传感器往往会有实际应用的局限性,多传感器信息融合技术的迅猛发展提供了一种解决途径。如今,信息融合技术已经引起世界各国科研人员的广泛关注。将多传感器信息融合技术运用在移动机器人避障任务中,机器人便能够获取环境的冗余信息、互补信息,信息的可靠程度和实时程度都得到了巨大的提高。因此本文以自行研制的移动机器人为平台,针对多传感器信息融合技术在移动机器人避障问题中的应用展开研究。主要研究内容如下:（1）通过对机器人避障需求的分析,设计了移动机器人避障系统的总体方案,设计了多传感器系统和信息融合方案。（2）通过对超声测距会出现的串扰问题进行分析,提出了一种基于2PSK调制的超声测距方法,消除了串扰,提高了测距精度。（3）研究了扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,设计了一种基于EKF的数据融合定位算法,融合了惯性传感器、编码器、光电鼠标传感器的数据进行定位,并通过实验测试,验证了定位的精度和算法的有效性。（4）研究了模糊神经网络算法,将基于EKF的模糊神经网络算法应用在避障系统中,并引入稀疏自动编码器将多种传感器得到的高维数据进行降维提取特征,解决了模糊神经网络在训练的过程中容易过拟合或过训练等问题,通过实验分析,验证了算法的可行性。本文研究了移动机器人避障系统,设计了一种超声串扰消除方法,使用EKF融合包含光电鼠标传感器在内的三个传感器进行定位,结合稀疏自动编码器与基于EKF的模糊神经网络算法进行避障。搭建了移动机器人平台,通过机器人避障平台验证了2PSK调制方式下的超声测距方法,增强了其抗干扰性;验证了定位融合算法的有效性,提高了定位精度;也验证了避障算法的可行性。
王雪彦[6]（2017）在《机器人远程控制与避障系统设计与实现》文中进行了进一步梳理人工智能技术的发展,促使家用机器人相关技术越发受到重视,目前,基于环境信息融合与环境类型识别的机器人自主避障行走问题成为一大研究热点。然而传统家用机器人存在远程控制数据交互性差,对环境类型数据使用不足,避障行走数据处理方式单一等问题。因此本文针对这几点完成了机器人系统搭建,环境类型识别以及避障算法的研究。针对机器人远程控制数据交互性差的问题,搭建了基于视频与热图数据的可视化远程控制系统;针对环境类型数据使用不足的问题,利用多种传感器感知环境数据,完成了环境类型的有效识别;针对避障行走数据处理方式单一的问题,实现并改进了传统的避障方法,提出了一种基于环境感知及自适应模糊神经网络的机器人避障行走算法。首先,论文搭建了基于Web的远程机器人控制系统。基于DF-Robot团队的HCR机器人开发平台和树莓派开发板,设计并实现了一个基于Web的远程机器人控制系统。该系统独立安装了超声波、红外、碰撞等多类型传感器,能够实现远程信息交互、远程机器人行走控制等功能。另外,将ECharts可视化工具引入该系统,由此障碍距离信息能够以热图和雷达图的形式显示在远程控制端。然后,提出一种基于环境信息感知的环境类型识别方法。充分挖掘各类型传感器的环境感知数据,有效识别沿墙、坡度、地势、危险等具体环境类型,从而为机器人危险故障时的紧急制动以及后续的避障算法提供数据支撑。同时,本文研究并实现了基于模糊推理和自适应模糊神经网络的机器人避障算法。利用已搭建的远程机器人控制系统,设计并实现了基于模糊推理的机器人避障算法和基于自适应模糊神经网络（ANFIS）的机器人避障算法。采集的典型实验数据表明两种算法均可以在一定程度上有效实现机器人的避障行走,且相较模糊避障算法,基于ANFIS的避障算法的训练误差更小。最后,将性能更优的ANFIS避障算法与环境识别方法结合,提出一种基于环境类型感知与自适应模糊神经网络的机器人避障算法。该算法中,ANFIS避障算法与环境类型识别方法同时工作,再通过权重避障策略进行结果调整,达到基于环境类型的避障行走目的。实验数据表明采用本文提出的避障算法下,机器人可有效避障行走,行走速度能够针对不同环境类型进行权重调整,有效克服了传统避障算法对环境感知不足或忽视的缺陷。
苏衍保[7]（2017）在《基于多传感器信息融合的迎宾机器人避障问题研究》文中认为随着机器人和人工智能技术的发展,智能化成为机器人发展的一个主题。迎宾机器人要想实现智能化发展,必须解决自主避障问题。因为迎宾机器人所处环境一般非常复杂、无法预知,单一传感器无法全面表达环境信息,所以多传感器信息融合技术的应用成为必然,是机器人解决避障问题的关键技术之一。然而自主避障问题在迎宾机器人开发过程中没有引起足够的重视,所以本文以实验室迎宾机器人为平台,对多传感器信息融合在迎宾机器人避障问题中的应用展开研究,有利于迎宾机器人的应用与推广。本文主要研究模糊逻辑信息融合和模糊神经网络信息融合算法在迎宾机器人避障问题中的应用,并对传统的T-S模型的模糊神经网络算法进行简化,减少神经网络训练时间,随后对上述算法在迎宾机器人避障问题上的可行性进行验证。首先,调研了多传感器信息融合技术在机器人中的应用,提出利用超声波传感器、红外传感器、电子罗盘和双目相机获取机器人运动环境信息的融合方案;对迎宾机器人进行运动学分析,建立运动模型。其次,对模糊逻辑信息融合进行研究,为机器人设计模糊控制器,在MATLAB平台下设计仿真实验,通过实验发现,模糊控制下迎宾机器人虽然能对环境进行识别完成避障任务,但是环境复杂时,容易出现控制规则匹配混乱,机器人左右摇摆问题,不利于迎宾机器人安全运行。然后,对传统的基于T-S模型的模糊神经网络信息融合进行研究,并设计仿真实验。通过实验发现,迎宾机器人避障稳定性得到提高、避障动作响应更加迅速,有效的解决了模糊控制存在的问题。最后,将改进的模糊神经网络算法移植到单片机上,开发上位机控制程序。通过机器人避障实验证明,本文改进的模糊神经网络算法,能有效解决机器人左右摆动问题,机器人避障稳定性得到极大提高。
杨小菊[8]（2017）在《基于多传感器信息融合的移动机器人避障研究》文中研究表明随着科技水平的不断提高,传感器技术得到了突飞猛进的发展。多传感器信息融合技术逐步在军事与非军事领域得到了广泛运用。如今,信息融合已经成为十分热门的研究方向。此外,移动机器人技术是一个国家智能化的关键技术,已引起世界各国科研人员的高度关注。避障技术是移动机器人完成各种任务的重要保障,将多传感器信息融合技术运用于机器人避障系统,为提高机器人在复杂非结构环境中的避障准确性提供相应的理论基础和技术途径。本文重点研究多传感器信息融合技术,通过对人工神经网络、人工势场法等国内外多传感器信息融合的常用自主避障算法进行研究,分析了各融合算法的特点和在移动机器人领域的应用现状。发现模糊控制与神经网络是解决机器人非线性问题的有效工具,分别对模糊控制算法与T-S（Takagi-Sugeno）模糊神经网络算法进行一定的探讨与研究。经过对比发现模糊控制与神经网络两融合算法结合的优越性。在理论与实践上对该融合算法在机器人避障应用中进行了探索。首先搭建了移动机器人多传感器避障试验平台,针对机器人执行避障任务的特点,采用超声波与红外传感器获取未知环境的障碍物距离信息,电子罗盘实时获取机器人位置与目标方位角。将各个传感器提供的环境信息进行融合预处理,然后分别输入到模糊控制器与模糊神经网络控制器,通过Matlab仿真与实物的验证与对比,证明了移动机器人在未知环境中的避障精度和响应速度上,具有自学习功能的T-S模糊神经网络算法优于模糊控制算法。从理论与实践上验证了所提方法在移动机器人避障中的有效性与可行性。
陈奕君[9]（2014）在《基于多传感器信息融合的机器人避障研究》文中提出移动机器人的研究随着科学发展也在不断深入，其中机器人在未知环境下进行避障的行为一直都是研究热点。如何能够对环境中的障碍物进行准确探测，以及做出相应的避障行为，就需要以多传感器信息融合为研究方向，相比于单传感器获得的信息，多传感器融合后的可信度有很大提升，而且在解决机器人避障这种非线性问题上，对其的控制精度及速度也更为出色。本文以旅行家II移动机器人为研究平台，重点研究了多层信息融合的结构及算法在机器人避障中的应用，主要研究内容有：第一，针对单一传感器不能准确、全面的完成对环境的描述，采用多个传感器共同测量的办法，根据旅行家II移动机器人的硬件平台，选取超声波和红外开关作为测距系统的传感器，选取CCD摄像机作为视觉传感器。设计了一种两级信息融合的结构，能够充分的利用传感器获取的外部信息并满足实时避障的要求。第二，通过改进的BP神经网络对测距传感器采集的信息进行融合。针对于BP神经网络收敛速度慢、易陷入局部极值等缺陷，通过附加动量-自适应因子改进BP网络学习算法，通过仿真对比BP神经网络与改进的BP神经网络的输出结果，发现改进后的神经网络明显优于改进前，并把融合后与未经融合的结果进行比较，发现融合后的结果更接近真实值。第三，针对视觉传感器采集的图像背景干扰因素多的问题，提出一种从颜色考虑，提取一个区域，然后再从灰度、高通滤波、去噪、边缘检测，两种结果结合的办法，得到准确的边缘信息，并提取出左右边缘距图像中线的距离。第四，采用基于优化T-S模型的模糊神经网络信息融合的方法对移动机器人的避障进行控制，并针对学习更新参数过程中可能出现的震荡以及速率慢等问题应用替换因子进行改进，经仿真验证改进后的模糊神经网络收敛速度快，对比网络输出值与测试样本真实值，其精度能够满足避障控制要求。最后，借助于旅行家II移动机器人硬件开发平台，设计出一套移动机器人运动控制系统，系统应用层使用VC++6.0进行开发，在行为决策层中利用VC与MATLAB混合编程，通过调用MATLAB引擎函数，把在MATLAB中设计的基于两层多传感器信息融合避障控制器应用到移动机器人运动控制系统中。应用所设计的移动机器人运动控制系统，实现机器人在实际环境中运动，自动躲避环境中存在的障碍物，验证所设计算法的有效性。
高慧英[10]（2010）在《基于多传感器信息融合的移动机器人避障系统研究》文中指出目前,多传感器信息融合技术逐步在移动机器人上取得应用,为机器人智能化水平的进一步提高提供了理论支撑。在移动机器人避障系统中应用多传感器信息融合技术,可以协调应用多个传感器信息解决机器人避障系统的非线性和不确定性问题,对提高机器人的避障精度具有重要意义。因此,本课题以实验室为上海化工区设计的有毒气体巡检机器人为平台,对多传感器信息融合技术在移动机器人避障系统中的应用进行研究,取得了较好的效果。本文通过对常用多传感器信息融合算法进行研究,发现模糊逻辑控制与模糊神经网络两种多传感器信息融合算法在非线性系统中具有明显优势,因此本文对模糊逻辑控制和模糊神经网络两种算法在移动机器人的避障中应用分别进行了研究。首先通过移动机器人的运动学分析设计了移动机器人避障系统。然后对模糊控制算法进行研究,通过确定输入和输出隶属函数和模糊控制规则,设计了一个具有避障功能的模糊控制器,并进行了Matlab仿真和实物验证,证明该算法能够基本满足移动机器人避障要求,但控制精度有待进一步提高。为了进一步提高移动机器人在复杂环境下的适应能力,对具有自学习功能的T-S模糊神经网络算法进行研究,通过网络参数学习算法对初始隶属函数进行离线训练,仿真和实验证明,模糊神经网络避障算法能够高精度逼近非线性系统,并且融合了模糊控制的推理能力与神经网络的学习能力,因此具有比模糊控制更高的避障精度和更快的响应速度。本课题采用多传感器信息融合方法实现了差速式移动机器人的避障功能,从而能够保证移动机器人在更复杂的环境下可靠运行。
二、基于模糊神经网络的信息融合技术在移动机器人中的应用（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、基于模糊神经网络的信息融合技术在移动机器人中的应用（论文提纲范文）
（1）基于嵌入式实时系统的移动机器人控制系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 国内外移动机器人的研究现状 |
| 1.2.2 多传感器信息融合技术国内外研究现状 |
| 1.2.3 嵌入式实时系统国内外研究现状 |
| 1.3 论文的主要研究内容和结构安排 |
| 2 移动机器人控制系统方案设计 |
| 2.1 移动机器人的体系结构 |
| 2.1.1 机器人系统的整体结构 |
| 2.1.2 移动机器人控制系统微处理器 |
| 2.1.3 电源模块 |
| 2.1.4 电机驱动模块 |
| 2.2 移动机器人运动学模型 |
| 2.3 移动机器人的传感器系统 |
| 2.3.1 超声波传感器及数据预处理 |
| 2.3.2 激光雷达传感器及其预处理 |
| 2.3.3 惯性测量单元及数据预处理 |
| 2.4 移动机器人传感器分布 |
| 2.5 本章小结 |
| 3 基于模糊逻辑控制算法的系统设计 |
| 3.1 模糊控制算法的基本原理 |
| 3.2 基于模糊控制的避障策略 |
| 3.2.1 移动机器人正前方遇到障碍物避障 |
| 3.2.2 移动机器人侧面遇到单个障碍物避障 |
| 3.2.3 移动机器人前方遇到多个障碍物避障 |
| 3.3 模糊控制器的设计 |
| 3.4 本章小结 |
| 4 μC/OS-Ⅱ操作系统的移植和应用程序设计 |
| 4.1 μC/OS-Ⅱ体系结构 |
| 4.2 μC/OS-Ⅱ在 STM32F407VGT6 上的移植 |
| 4.3 应用程序设计 |
| 4.4 本章小结 |
| 5 系统仿真与实验测试分析 |
| 5.1 MATLAB仿真分析 |
| 5.2 实验测试分析 |
| 5.3 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（2）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 |
（3）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 |
（4）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 |
（5）基于多传感器信息融合的机器人避障系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的背景及意义 |
| 1.3 相关领域国内外研究现状 |
| 1.3.1 机器人避障技术的研究现状 |
| 1.3.2 超声串扰消除方法的研究现状 |
| 1.3.3 多传感器信息融合技术的研究现状 |
| 1.4 本文的主要研究内容和组织结构 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文组织结构 |
| 第2章 超声测距模块串扰消除方法研究 |
| 2.1 超声串扰问题 |
| 2.2 2PSK调制 |
| 2.3 基于2PSK调制的超声测距设计 |
| 2.3.1 总体设计 |
| 2.3.2 硬件设计 |
| 2.3.3 软件设计 |
| 2.3.4 误差分析与补偿 |
| 2.4 实验结果分析 |
| 2.5 本章小结 |
| 第3章 基于多传感器信息融合的机器人避障研究 |
| 3.1 基于EKF的数据融合定位算法 |
| 3.1.1 里程计模型 |
| 3.1.2 基于EKF的定位算法 |
| 3.1.3 实验结果分析 |
| 3.2 基于分区的自组织模糊神经网络避障算法 |
| 3.2.1 基于EKF的自组织模糊神经网络避障算法 |
| 3.2.2 实验结果分析 |
| 3.3 基于特征的自组织模糊神经网络避障算法 |
| 3.3.1 稀疏自动编码器 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第4章 移动机器人避障系统的设计与实现 |
| 4.1 移动机器人避障系统总体设计 |
| 4.1.1 系统需求分析 |
| 4.1.2 系统整体架构 |
| 4.2 多传感器系统的设计与实现 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文主要研究成果 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 研究生期间发表论文 |
（6）机器人远程控制与避障系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 发展现状 |
| 1.3 机器人避障研究内容 |
| 1.4 机器人远程控制 |
| 1.5 文章组织结构 |
| 第二章 机器人运动控制基础 |
| 2.1 机器人运动平台分析 |
| 2.1.1 机器人组成结构 |
| 2.1.2 传感器选择 |
| 2.1.3 传感器位置部署 |
| 2.1.4 移动机器人控制系统结构 |
| 2.2 机器人运动学模型 |
| 2.3 本章小结 |
| 第三章 机器人远程控制系统的设计与实现 |
| 3.1 基于web的机器人控制系统 |
| 3.1.1 系统组成 |
| 3.1.2 机器人行走控制 |
| 3.1.3 源代码开发环境与工具 |
| 3.2 基于Web的远程可视行走控制 |
| 3.2.1 系统组成 |
| 3.2.2 基于HTTP协议的通信 |
| 3.3 基于热图的可视行走控制 |
| 3.3.1 热图数据可视化处理 |
| 3.3.2 远程可视图像信息获取 |
| 3.4 机器人远程控制实践 |
| 3.4.1 机器人的远程控制UI页面 |
| 3.4.2 机器人的远程行走控制实践 |
| 3.5 本章小结 |
| 第四章 传感器信息融合与环境类型识别 |
| 4.1 环境感知 |
| 4.1.1 环境感知技术概述 |
| 4.1.2 传感器环境信息感知 |
| 4.2 传感器信息融合 |
| 4.2.1 信息融合技术 |
| 4.2.2 多传感器信息融合层次结构与应用 |
| 4.3 基于信息融合的环境类型识别方法 |
| 4.3.1 环境类型识别方法逻辑结构 |
| 4.3.2 环境类型识别方法步骤 |
| 4.3.3 环境类型识别方法仿真示例 |
| 4.4 本章小结 |
| 第五章 基于环境感知及模糊神经网络的避障算法 |
| 5.1 模糊推理算法 |
| 5.1.1 模糊控制的概况 |
| 5.1.2 模糊控制系统的基本结构 |
| 5.1.3 基于模糊推理的机器人避障算法 |
| 5.1.4 仿真研究与硬件实现 |
| 5.2 模糊神经网络算法 |
| 5.2.1 模糊神经网络技术 |
| 5.2.2 神经网络和模糊逻辑的结合方法 |
| 5.2.3 自适应模糊神经推理系统 |
| 5.2.4 模糊神经网络避障算法仿真 |
| 5.3 基于环境感知及模糊神经网络的避障算法 |
| 5.3.1 避障算法模型框架 |
| 5.3.2 基于环境感知及模糊神经网络避障算法仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于多传感器信息融合的迎宾机器人避障问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源及意义 |
| 1.2 多传感器信息融合概述 |
| 1.3 多传感器信息融合研究现状 |
| 1.4 移动式迎宾机器人研究现状及避障问题 |
| 1.5 本文主要研究内容及方法 |
| 2 迎宾机器人平台系统设计 |
| 2.1 引言 |
| 2.2 机器人总体设计 |
| 2.3 迎宾机器人硬件设计 |
| 2.4 迎宾机器人运动模型分析 |
| 2.5 本章小结 |
| 3 模糊逻辑融合算法设计与实验 |
| 3.1 引言 |
| 3.2 模糊逻辑控制基本原理 |
| 3.3 模糊逻辑融合算法设计 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 4 模糊神经网络融合算法设计与实验 |
| 4.1 引言 |
| 4.2 模糊神经网络基本原理 |
| 4.3 基于T-S模型的模糊神经网络算法 |
| 4.4 模糊神经网络算法设计 |
| 4.5 本章小结 |
| 5 机器人实物实验 |
| 5.1 引言 |
| 5.2 传感器程序设计与测试 |
| 5.3 机器人避障程序设计与测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者从事科学研究和学习经历简介 |
| 攻读学位期间取得的学术成果和获奖情况 |
（8）基于多传感器信息融合的移动机器人避障研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景及意义 |
| 1.3 多传感器信息融合的国内外研究现状 |
| 1.4 数据融合在机器人领域中的运用 |
| 1.4.1 国外数据融合技术在移动机器人研究中的应用 |
| 1.4.2 国内数据融合技术在移动机器人研究中的应用 |
| 1.5 本文研究的主要内容 |
| 第2章 信息融合技术 |
| 2.1 引言 |
| 2.2 信息融合的基本内容 |
| 2.2.1 信息融合的基本层次 |
| 2.2.2 信息融合系统的体系结构 |
| 2.3 信息融合的基本方法 |
| 2.4 本章小结 |
| 第3章 移动机器人系统设计 |
| 3.1 移动机器人的系统建模 |
| 3.1.1 移动机器人坐标转换 |
| 3.1.2 移动机器人的运动学分析 |
| 3.2 移动机器人的体系结构 |
| 3.2.1 机器人系统的总体设计 |
| 3.2.2 STM32F103ZET6微处理器的简介 |
| 3.2.3 电源模块 |
| 3.2.4 电机控制模块 |
| 3.3 移动机器人避障的传感器系统 |
| 3.3.1 超声波 |
| 3.3.2 红外传感器 |
| 3.3.3 电子罗盘 |
| 3.4 传感器的布局 |
| 3.5 环境的分类 |
| 3.6 本章小结 |
| 第4章 基于模糊逻辑控制的避障应用 |
| 4.1 模糊控制的简介 |
| 4.2 模糊控制的结构 |
| 4.3 模糊控制算法在移动机器人避障的实现 |
| 4.3.1 模糊控制器的设计 |
| 4.3.2 模糊控制的避障实现 |
| 4.3.3 模糊逻辑控制在机器人避障中的特点 |
| 4.4 本章小结 |
| 第5章 基于模糊神经网络控制的避障应用 |
| 5.1 模糊神经网络控制信息融合技术 |
| 5.1.1 神经网络技术 |
| 5.1.2 神经网络模型 |
| 5.1.3 神经网络的学习方法 |
| 5.1.4 神经网络与模糊逻辑技术的结合方式 |
| 5.1.5 基于T-S模型的神经网络模糊控制 |
| 5.2 模糊神经网络控制的移动机器人避障 |
| 5.2.1 模糊神经网络控制器的设计 |
| 5.2.2 模糊神经网络的避障实现 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（9）基于多传感器信息融合的机器人避障研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外相关课题研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的安排 |
| 第二章 移动机器人避障系统总体设计 |
| 2.1 引言 |
| 2.2 旅行家Ⅱ机器人的硬件结构 |
| 2.3 旅行家Ⅱ机器人的避障探测系统 |
| 2.3.1 测距传感器原理及方法 |
| 2.3.2 CCD 视觉传感器 |
| 2.4 避障策略 |
| 2.5 避障控制器设计 |
| 2.6 本章小结 |
| 第三章 传感器信息提取及融合 |
| 3.1 引言 |
| 3.2 测距系统信息的初级融合 |
| 3.2.1 多传感器信息融合技术 |
| 3.2.2 BP 神经网络 |
| 3.2.3 改进的 BP 神经网络 |
| 3.2.4 BP 网络训练样本的产生 |
| 3.2.5 神经网络融合结果分析 |
| 3.3 视觉图像信息处理 |
| 3.3.1 颜色区域提取 |
| 3.3.2 灰度边缘提取 |
| 3.3.3 最终提取图像 |
| 3.3.4 图像处理结果 |
| 3.4 本章小结 |
| 第四章 基于模糊神经网络的避障信息融合 |
| 4.1 引言 |
| 4.2 模糊神经网络算法 |
| 4.2.1 神经网络与模糊控制结合方式 |
| 4.2.2 基于优化 T-S 模型的模糊神经网络 |
| 4.2.3 模糊神经网络学习算法的改进 |
| 4.3 模糊神经网络在移动机器人避障中的应用 |
| 4.3.1 模糊神经网络参数设定 |
| 4.3.2 模糊控制规则的建立 |
| 4.3.3 模糊神经网络训练 |
| 4.4 本章小结 |
| 第五章 移动机器人避障控制仿真及系统设计 |
| 5.1 引言 |
| 5.2 系统总体设计 |
| 5.3 VC 与 MATLAB 混合编程 |
| 5.3.1 MATLAB 引擎 |
| 5.3.2 VC 和 MATLAB 混合编程实现步骤 |
| 5.3.3 VC 调用 MATLAB 控制函数 |
| 5.4 移动机器人避障实验结果及分析 |
| 5.4.1 避障实验 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 中文详细摘要 |
（10）基于多传感器信息融合的移动机器人避障系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景及意义 |
| 1.3 国内外现状及发展趋势 |
| 1.4 本论文主要研究内容 |
| 第2章 多传感器信息融合技术研究 |
| 2.1 概述 |
| 2.2 多传感器信息融合的定义 |
| 2.3 多传感器信息融合的具体方法 |
| 2.4 多传感器信息融合的结构 |
| 2.5 本章小结 |
| 第3章 移动机器人的避障系统 |
| 3.1 概述 |
| 3.2 移动机器人的运动学分析 |
| 3.3 移动机器人控制系统 |
| 3.4 移动机器人避障传感器 |
| 3.4.1 超声传感器 |
| 3.4.2 红外传感器 |
| 3.4.3 电子罗盘 |
| 3.5 机载总线及通信协议 |
| 3.6 传感器融合规则 |
| 3.7 本章小结 |
| 第4章 模糊逻辑避障控制算法仿真与验证 |
| 4.1 概述 |
| 4.2 模糊控制器的基本结构 |
| 4.2.1 模糊化 |
| 4.2.2 知识库 |
| 4.2.3 模糊推理 |
| 4.2.4 清晰化 |
| 4.3 模糊逻辑信息融合在机器人避障控制中的应用 |
| 4.4 模糊控制避障算法实现 |
| 4.4.1 编辑系统隶属度函数 |
| 4.4.2 编辑模糊控制规则 |
| 4.4.3 仿真与验证 |
| 4.5 本章小结 |
| 第5章 模糊神经网络避障算法仿真与验证 |
| 5.1 概述 |
| 5.2 基于T-S 模型的模糊神经网络 |
| 5.2.1 网络参数调整算法 |
| 5.3 模糊神经网络避障控制器设计 |
| 5.4 模糊神经网络避障算法实现 |
| 5.4.1 确定输入变量与初始隶属度函数 |
| 5.4.2 隶属度函数的训练 |
| 5.4.3 仿真与验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、基于模糊神经网络的信息融合技术在移动机器人中的应用（论文参考文献）
- [1]基于嵌入式实时系统的移动机器人控制系统设计[D]. 刘建猛. 西南科技大学, 2021(08)
- [2]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)
- [3]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)
- [4]自动送货机器人控制研究[D]. 王宁. 华北理工大学, 2020(02)
- [5]基于多传感器信息融合的机器人避障系统的研究与实现[D]. 刘洋. 武汉理工大学, 2019(07)
- [6]机器人远程控制与避障系统设计与实现[D]. 王雪彦. 西安电子科技大学, 2017(04)
- [7]基于多传感器信息融合的迎宾机器人避障问题研究[D]. 苏衍保. 山东科技大学, 2017(03)
- [8]基于多传感器信息融合的移动机器人避障研究[D]. 杨小菊. 沈阳理工大学, 2017(02)
- [9]基于多传感器信息融合的机器人避障研究[D]. 陈奕君. 东北石油大学, 2014(02)
- [10]基于多传感器信息融合的移动机器人避障系统研究[D]. 高慧英. 哈尔滨工业大学, 2010(05)