導(dǎo)航機器人傳感器融合、異常診斷及任務(wù)規(guī)劃方法

第1章 緒論\t1
1．1 多傳感器系統(tǒng)信息融合研究現(xiàn)狀\t2
1．2 移動機器人傳感器系統(tǒng)異常診斷研究現(xiàn)狀\t5
1．3 多機器人任務(wù)規(guī)劃的研究現(xiàn)狀與發(fā)展趨勢\t6
1．3．1 多機器人任務(wù)分配\t7
1．3．2 多機器人路由規(guī)劃\t9
1．4 本書章節(jié)安排\t10
本章參考文獻\t13
第2章 基于毫米波雷達的動態(tài)障礙信息獲取技術(shù)\t21
2．1 毫米波雷達特性\t22
2．1．1 毫米波雷達的工作頻率\t23
2．1．2 毫米波雷達的調(diào)制方式\t24
2．1．3 動態(tài)障礙信息的獲取原理\t26
2．1．4 ESR測向方案\t29
2．2 基于動態(tài)目標的自主車輔助防撞系統(tǒng)設(shè)計\t30
2．2．1 安全距離模型設(shè)計\t31
2．2．2 降低虛警率的防撞系統(tǒng)設(shè)計\t39
2．3 自主車輔助防撞系統(tǒng)的硬件設(shè)計\t42
2．3．1 輔助防撞系統(tǒng)框架\t42
2．3．2 車載雷達選型及其安裝\t43
2．4 自主車輔助防撞系統(tǒng)的軟件設(shè)計與實現(xiàn)\t46
2．4．1 安全模型參數(shù)的選擇\t46
2．4．2 總體框架設(shè)計\t48
2．4．3 子模塊的實現(xiàn)\t49
2．4．4 彎道處理\t57
2．4．5 軟件的調(diào)試與結(jié)果分析\t57
本章參考文獻\t60
第3章 激光雷達與毫米波雷達的路況信息補償方法\t64
3．1 激光雷達特性及其工作原理\t65
3．2 雷達信息提取\t67
3．2．1 靜態(tài)環(huán)境信息提取方法\t68
3．2．2 動態(tài)障礙物信息提取\t72
3．3 毫米波雷達與激光雷達融合與補償?shù)募夹g(shù)\t78
3．3．1 激光雷達與毫米波雷達數(shù)據(jù)融合方案\t78
3．3．2 激光雷達動態(tài)信息數(shù)據(jù)補償方案\t82
3．4 激光雷達與毫米波雷達路況信息補償系統(tǒng)實現(xiàn)\t83
3．4．1 總體框架設(shè)計\t83
3．4．2 各子模塊的實現(xiàn)\t84
3．4．3 軟件的調(diào)試與結(jié)果分析\t98
本章參考文獻\t100
第4章 基于激光雷達與攝像機的異質(zhì)傳感器信息融合與補償\t101
4．1 光學(xué)視覺系統(tǒng)\t103
4．2 數(shù)據(jù)采集及預(yù)處理\t103
4．2．1 激光雷達數(shù)據(jù)采集及預(yù)處理\t104
4．2．2 攝像機數(shù)據(jù)采集\t104
4．3 激光雷達與攝像機補償系統(tǒng)平臺搭建\t105
4．4 激光雷達和攝像機的數(shù)據(jù)融合與補償方法\t107
4．4．1 深度圖像的坐標變換\t107
4．4．2 攝像機標定\t112
4．4．3 激光雷達和攝像機的數(shù)據(jù)層融合與補償\t114
4．5 基于CAMLASER系列工具的攝像機內(nèi)部參數(shù)標定\t120
4．6 數(shù)據(jù)融合參數(shù)估計與優(yōu)化\t123
4．6．1 實驗數(shù)據(jù)特征點的提取\t123
4．6．2 融合參數(shù)的估計與優(yōu)化\t126
4．6．3 誤差分析\t129
4．7 實時數(shù)據(jù)處理及顯示\t130
4．7．1 激光雷達數(shù)據(jù)采集及顯示\t131
4．7．2 攝像機數(shù)據(jù)采集及顯示\t133
4．7．3 數(shù)據(jù)同步采集及實時數(shù)據(jù)融合\t134
4．7．4 實時性分析\t136
4．8 離線仿真及數(shù)據(jù)存儲\t137
4．8．1 數(shù)據(jù)存儲\t137
4．8．2 離線仿真\t139
本章參考文獻\t141
第5章 機器人航跡推算系統(tǒng)的異常診斷與主動容錯估計方法\t143
5．1 機器人航跡推算系統(tǒng)異常診斷問題\t144
5．2 基于模糊邏輯粒子濾波器的航跡推算系統(tǒng)硬軟故障
診斷方法\t145
5．2．1 硬故障和軟故障描述\t146
5．2．2 自適應(yīng)故障空間\t146
5．2．3 模糊診斷設(shè)計\t147
5．2．4 模糊診斷粒子濾波器算法描述\t150
5．3 機器人航跡推算系統(tǒng)硬軟故障診斷仿真分析\t153
5．3．1 實驗結(jié)果分析\t154
5．3．2 仿真驗證設(shè)計\t160
5．4 自學(xué)習(xí)采樣粒子濾波器的不完備空間交互診斷\t163
5．4．1 自學(xué)習(xí)采樣\t164
5．4．2 自學(xué)習(xí)采樣與診斷機制動態(tài)交互優(yōu)化粒子數(shù)\t166
5．4．3 基于邊緣分布與信度的故障決策條件及其數(shù)學(xué)依據(jù)\t168
5．4．4 自學(xué)習(xí)采樣粒子濾波器的不完備空間動態(tài)交互
故障診斷步驟\t171
5．5 自學(xué)習(xí)采樣粒子濾波器算法分析與討論\t173
5．5．1 非線性故障診斷模型仿真分析\t173
5．5．2 航跡推算混合系統(tǒng)模型故障診斷實驗分析\t176
5．6 基于聯(lián)邦濾波的多傳感器主動容錯估計方法\t180
5．6．1 聯(lián)邦濾波器結(jié)構(gòu)\t181
5．6．2 聯(lián)邦濾波算法\t182
5．6．3 基于聯(lián)邦濾波器的故障檢測及其容錯方法\t184
5．6．4 仿真實驗分析\t186
5．6．5 基于聯(lián)邦濾波的組合導(dǎo)航系統(tǒng)實驗分析\t191
本章參考文獻\t195
第6章 機器人航跡推算系統(tǒng)的故障預(yù)測方法\t201
6．1 粒子濾波器故障預(yù)測的基本原理\t201
6．2 基于粒子濾波器的機器人航跡推算系統(tǒng)的故障預(yù)測方法\t207
6．2．1 領(lǐng)域約束\t208
6．2．2 故障模式間轉(zhuǎn)移概率參數(shù)的設(shè)置\t209
6．2．3 仿真實驗與結(jié)果分析\t211
6．3 基于粒子濾波器與支持向量機融合框架的故障預(yù)測\t217
6．3．1 支持向量機的基本原理\t217
6．3．2 基于SVM的加權(quán)故障概率預(yù)測方法\t219
6．3．3 利用殘差改進粒子濾波器的故障預(yù)測方法\t222
6．3．4 基于PF與SVM融合框架的故障預(yù)測方法\t224
6．4 幾種粒子濾波器故障預(yù)測方法的實驗分析\t226
6．4．1 粒子濾波器故障預(yù)測仿真軟件\t226
6．4．2 幾種預(yù)測方法的分析與討論\t228
本章參考文獻\t233
第7章 基于群智能算法的多移動機器人任務(wù)規(guī)劃方法\t234
7．1 蟻群算法求解多機器人任務(wù)探測\t235
7．1．1 多機器人探測任務(wù)規(guī)劃問題描述\t235
7．1．2 蟻群算法在多機器人任務(wù)探測中的應(yīng)用\t236
7．1．3 均分點蟻群算法求解多機器人負載均衡任務(wù)探測\t248
7．1．4 多機器人團隊生成的復(fù)雜任務(wù)探測算法\t256
7．2 基于當代學(xué)習(xí)自適應(yīng)離散粒子群算法的多機器人任務(wù)分配\t263
7．2．1 多機器人任務(wù)分配問題的提出\t263
7．2．2 混合離散粒子群變異優(yōu)化策略選取\t264
7．2．3 當代學(xué)習(xí)自適應(yīng)混合離散粒子群算法\t273
7．2．4 最小失敗概率多機器人任務(wù)分配實驗分析\t279
7．3 基于空間正交分配異質(zhì)文化混合算法的多機器人
隨機增量任務(wù)規(guī)劃\t286
7．3．1 基于異質(zhì)交互式文化混合算法的移動機器人
路由規(guī)劃\t286
7．3．2 空間正交分配異質(zhì)文化混合算法在多機器人
任務(wù)規(guī)劃中的應(yīng)用\t296
7．3．3 多機器人隨機增量任務(wù)規(guī)劃仿真分析\t307
本章參考文獻\t313
第8章 總結(jié)與展望\t317
8．1 異質(zhì)傳感器信息融合與補償方法總結(jié)與展望\t317
8．2 機器人傳感器系統(tǒng)異常診斷與預(yù)測總結(jié)分析\t319
8．3 多機器人任務(wù)規(guī)劃方法的總結(jié)與展望\t321