一、机载摄像设备图像稳定方法探讨（论文文献综述）
李东江[1]（2021）在《室内服务机器人Lifelong SLAM数据集和定位方法研究》文中进行了进一步梳理机器人技术的发展对系统与环境交互能力的提升,提出了迫切需求,面向复杂多变环境下准确、实时的机器人位姿估计成为了研究热点。同时定位与建图技术（Simultaneous Localization and Mapping,SLAM）是实现机器人自主化的关键技术,目前典型的SLAM算法仍然需要解决如何让机器人在包含自然和人为变化的环境中进行自主运动和工作的问题。相比于室外机器人,室内服务机器人拥有更加广阔的市场潜力。由于室内环境具有光照和视角变化较为强烈;存在很多位置容易改变的、易形变的以及外观相似的物体;具有很高的动态干扰等特点,导致目前室内服务机器人定位方法研究还具有以下不足:定位方法研究离不开数据支持,而目前针对室内环境的数据集研究工作,不能很好地反映上述环境特点;目前多数SLAM研究关注短时间内的定位效果,没有考虑“视线外”的环境变化对定位的影响。本文使用术语“终生SLAM”（Lifelong SLAM）描述解决室内长期变化环境中的SLAM问题。针对上述室内环境特点和定位方法存在的不足,本文围绕室内服务机器人Lifelong SLAM数据集和定位方法展开了深入研究。本论文的主要工作和创新点如下:1)针对室内服务机器人Lifelong SLAM研究数据缺失问题,构建了Open LORIS-Scene数据集,并提出了用于评价Lifelong SLAM的度量基准。数据从真实生活场景采集,每个场景均包含不同时刻采集的多条数据序列,且提供在同一地图坐标系中的轨迹真值,从而形成了Lifelong SLAM算法的考察基准。此外,提出的度量基准,可对Lifelong SLAM算法估计的位姿分别进行鲁棒性和准确性评估。通过提出的Open LORIS-Scene数据集和度量基准,可确定面向Lifelong SLAM问题的算法缺陷,为本文后续定位方法研究,奠定了理论基础和数据支撑。为促进SLAM领域发展,笔者开源了提出的数据集和度量基准,并取得了一定积极的影响。开源网址:lifelong-robotic-vision.github.io/dataset/scene。2)针对室内光照和视角变化场景的实时位姿估计问题,提出了基于深度特征的室内服务机器人Lifelong SLAM定位算法DXSLAM。DXSLAM算法基于卷积神经网络CNNs（Convolutional Neural Networks）,提出了可在CPUs上部署的实时深度特征提取方案;同时,对深度特征进行深入分析,提出了增量式深度特征词典训练方法,训练的词典可大幅度缩短算法初始化时间,有效提高了特征查询速度和准确度;对传统SLAM框架中的重定位任务和回环检测任务进行了研究,分别提出了基于全局深度特征的重定位方案和基于多层次深度特征的回环检测方案。相比于基于传统手工特征的SLAM算法,DXSLAM具有更好的回环检测、重定位和持续定位能力。据我们所知,这是第一个全部基于深度学习特征的,能够在无GPU装置的移动计算平台上实时运行的SLAM算法。开源网址:https://github.com/ivipsourcecode/dxslam。3)针对物体变化场景对室内服务机器人定位的干扰问题,提出了基于深度卷积神经网络的室内服务机器人Lifelong SLAM特征提取网络Ra P-Net。Ra P-Net通过结合局部区域级（region-wise）权重和像素级（point-wise）权重来提取稳定的具有语义含义的局部深度特征,增强了服务机器人对环境的感知和理解能力,有效提高了服务机器人在物体变化场景干扰下的定位精度。此外,本文构建了面向室内特征提取网络的训练集Open LORIS-Location,训练集所有图像均具有地点标签,同时包含丰富的图像变化,有助于网络学习室内场景环境中的不变性。网络及训练集开源网址:https://github.com/ivipsourcecode/Ra P-Net。4)针对动态场景对室内服务机器人定位的干扰问题,提出了基于传感器融合的室内服务机器人Lifelong SLAM定位算法。以无人机的室内定位作为研究背景,首先,提出了结合语义分割网络、LK光流法和对极约束的动态点检测和剔除方法,消除了动态场景对位姿估计的干扰,其次,将惯性传感器数据和视觉传感器数据进行融合估计无人机位姿,提高了定位算法在静态特征数量不足情况下的鲁棒性,同时可以提供位姿估计真实尺度信息。此外,设计了一种经过准确标定的手持传感器数据采集装置,模拟无人机在巷道内的飞行,并构建了采集真实巷道动态场景信息的Open LORIS-Underground数据集,用于测试提出的定位算法。实验结果表明,针对动态场景数据,相比于先进的传感器融合定位算法VINS-Mono,提出的定位算法精度最高可提高到67%以上,可有效消除动态场景干扰并实现准确的位姿估计。
樊宝安[2]（2020）在《基于高速公路违章检测的四旋翼无人机平台的设计与实现》文中认为随着我国现代化进程的不断加快,国民汽车保有量和高速公路通车里程不断增大,高速公路上事故发生率也在随之增大,加上高速公路的封闭性和交通事故发生的随机性,使得现有车辆违章检测手段的短板更加突出。因此,如何提高高速公路上车辆违章检测的效率,减小事故的发生率是目前智能交通领域亟待解决的问题。本文以提高高速公路车辆违章检测效率为目的,设计了一种用于高速公路进行车辆违章检测的四旋翼无人机平台。在该四旋翼无人机平台上搭载违章检测设备进行车辆的违章检测,不仅可以提高违章检测的灵活性,而且可以极大的提高车辆违章检测的效率。在四旋翼无人机平台的设计方面,首先提出了设计需求分析并研究了四旋翼无人机的基本构成。在硬件设计方面,主要完成了硬件模块的选型和四旋翼无人机平台的搭建;在软件设计方面,主要研究四旋翼无人机的基本飞行原理、控制原理、巡航飞行原理等,并建立了动力学模型;在四旋翼无人机平台通信方案设计方面,首先通过四旋翼无人机和上位机之间的通信来获取违章信息,然后通过研究进程间通信机制和MAVlink通信协议,并且自定义违章信息的MAVlink消息来实现违章信息在四旋翼无人机和地面站之间的传递;最后,通过设计避障系统来保障四旋翼无人机在执行飞行任务时的安全。本文对于四旋翼无人机平台的设计是以低成本、高实用性的原则来进行的。
陈菲雨[3]（2020）在《无人机自主精准定点降落中图像处理技术的研究》文中认为多旋翼无人机（以下简称无人机）因其拥有分量较轻、体积较小、灵活度较高及隐蔽性强等优点,如今已经逐渐成为民用/商业和研究领域的热点,而为保证无人机普遍应用于巡检、测绘、监测、快递等行业,高效、完全地完成既定任务,其实现自主精准定点降落的功能是迫在眉睫的。无人机实际进行应用时,若仅利用雷达探测和GPS定位技术,只能获得降落目标的粗略位置信息,无人机难以实现定点的降落,而通过研究图像处理技术,基于检测识别降落目标并跟踪的方法,可以计算得到多旋翼无人机与降落目标之间的相对位置,从而最终实现自主的精准定点降落。本文研究了基于目标检测识别与跟踪技术的无人机降落算法,内容主要包括图像预处理、降落目标检测识别并确认降落标志的编码、云台视野中运动目标的跟踪及跟踪结果自矫正环节。本文的主要工作及相关贡献有:（1）研究了两种检测识别算法,分别为基于ArUco标记的检测识别算法和基于分类器的检测识别算法,并对两种不同类型的降落标志的检测识别进行实验及结果分析,验证了可进行编码设计的ArUco标记作为无人机降落标志,可保证无人机能够有选择的进行降落,从而提高降落过程的准确性及灵活性,同时分析得到两种检测识别算法各自应用于降落时的优劣势。（2）针对无人机为实现自主精准降落,而需长时间准确、实时的定位降落目标这一要求,本文研究了传统的目标跟踪算法,包括结合目标检测及跟踪的TLD算法、基于核相关滤波器的KCF算法,并结合上述算法的特点,进行了初步的算法融合。（3）本文在降落目标图案可编码的基础上,针对降落过程中跟踪结果会受到光照、移动、遮挡、尺寸变化等因素的影响,提出了一种基于TLD框架及改进KCF的目标跟踪算法,该算法进行了 KCF与TLD算法的融合,并对KCF算法在多特征融合及尺度自适应方面进行了改进,尽可能地提升降落过程中跟踪部分结果的准确性和鲁棒性。（4）针对实际降落过程中算法实现应用所遇到的难点,以基于传统TLD框架及改进KCF的目标跟踪算法为基础,增加了跟踪结果自矫正环节,以提高整体降落算法的准确性。同时,将最终应用于实际的算法与原始的TLD算法、KCF算法和两种融合的算法进行测试并进行对比分析,实验证明本文提出的总体算法相较之下,实时性、准确率更高,应用于实际的过程中适应性与鲁棒性更强,使无人机在一般情况下的自主降落精度能够达到厘米级。
吕点[4]（2020）在《基于无人机的全景地图自主生成方法研究与实现》文中研究指明全景地图将全景图像信息与数字地图结合,为人们提供新型的地图服务,近年来已得到广泛的应用。然而,全景地图的拍摄往往需要消耗过多的人力与时间成本。利用无人机平台搭载摄像设备,并实现构建全景地图的全流程自主化,能够节约人力与时间资源,提高任务执行效率,是一种新颖的智能解决方案,具有重要的理论研究价值与实际应用前景。为实现基于无人机的全景地图自主生成,需要解决两个核心问题:无人机的航点自主生成与优化、无人机拍摄位置优化。其中,航点生成与优化是为了解决无人机在何处进行拍摄的问题。本文首先提出了一种有效的拍摄点选择规则,并设计了基于图像形态学处理的拍摄点生成与优化算法,实现了将人工选择航点的任务交由计算机来自主生成,节约大量人力的同时还根据全景图特性对航点进行数量上的优化以提升任务执行的效率。拍摄位置优化问题则是对无人机的拍摄位置与高度做更细粒度的优化,以保证拍摄的道路处于图片中央,同时能够拍摄到完整的建筑物及其顶部天际线,从而方便实现图片拼接,提高全景地图的整体展示效果。为此本文提出了道路跟随网络RFTNet以使无人机跟随道路中央飞行,以及天空检测算法来间接地动态调整无人机拍摄建筑物时的高度。最后,本文还实现了一个原型系统,建立了多个基于现实校园场景或虚拟3D世界的数据集,对上述算法及其他基准算法进行了充分的实验与性能对比。结果表明本文所提算法以较小的计算开销获得了更为优秀的算法性能。
郝亚辛[5]（2020）在《电子稳像技术研究及实现》文中进行了进一步梳理随着科学技术的发展,电子稳像作为一种方便快捷的稳像方法得到广泛应用。摄像设备受到环境因素的影响,会发生抖动,引起拍摄视频或图像的不稳定、模糊。这不仅严重影响人们从视频图像中获取对自己有用的信息,而且对视频图像的后续处理及利用造成很大不便。电子稳像直接对获取的视频图像进行处理,来消除抖动。本文针对红外视频中的旋转和平移抖动展开研究,提出一种基于陀螺仪和特征点匹配的综合性方法。本文对稳像的基础理论进行详细阐述,阐述了视频模糊产生机理、图像运动模型,构建了电子稳像的数学模型。详细论述了几种常用的运动估计算法,对其优缺点进行分析,并做了部分改进。针对传统算法对视频中旋转抖动不敏感的问题,本文在视频采集时利用陀螺仪记录摄像设备的旋转角速度,对记录的数据进行卡尔曼滤波,线性插值后,积分求得旋转矩阵,进而求得准确的摄像机旋转运算矢量。此方法可以有效避免红外图像灰度级不明显的缺点,并减少了运动估计中的计算量。针对陀螺仪无法获取摄像设备平移抖动的问题,本文通过SIFT特征点匹配进行平移运动估计,首先通过Sobel算子进行特征区域寻找,在特征区域上进行特征点匹配后,利RANSAC算法筛选误匹配,并通过改进的k邻近避免了人为介入设定阈值,提高了算法对不同场景的适用性。针对本文方法,采集视频进行了验证。实验结果表明,本文方法可以有效的消除视频中的抖动。
李欣欣[6]（2020）在《基于旋翼无人机的行人检测及跟踪方法研究》文中研究表明对深度学习的深入研究将机器视觉带入了一个新的发展平台,将两者相关成果结合后运用到实际生活中可为人类活动开展提供新思路。无人机平台上对拍摄的视频序列进行行人检测跟踪时面临的技术难点较多,且现有的检测跟踪算法关注的大多为某个单一角度的检测跟踪性能,因而需要对现有的算法进行改进以适应当前所使用无人机平台环境。针对以上问题,本文将从无人机平台的搭建、行人检测算法的改进、行人跟踪算法的优化三个方面进行论述。首先根据任务需求,自主搭建了无人机平台。为了使无人机更能根据指令跟踪特定目标飞行采集视频信息,本文搭建了无人机实验平台,为后期到达目的区进行无人机平台上的行人检测和跟踪建立基础。其次,本文研究了基于Faster R-CNN为基本框架的行人检测算法。针对无人机获取的图像特征设计检测算法,首先基于Faster R-CNN对小目标具有良好的检测精度的基础上,将Faster R-CNN算法确定为本文基础检测框架。同时根据数据特点,采用聚类方法对行人的外形进行统计,以此改进算法中原有的锚结构。再针对行人遮挡问题,本文提出了一种新的回归损失函数,通过平衡候选框之间的位置提高在拥挤、遮挡情况下行人的检测精度。最后本文研究了基于无人机平台上的行人跟踪算法。首先从理论上针对无人机拍摄图像特点选取了计算量上具有优势的Camshift跟踪算法作为基础算法。由于行人的运动范围不集中且运动场景复杂多变,因此本文提出了一种基于多特征融合的目标模型加强对行人的描述。同时,由于不同的特征对不同物体的描述能力不一,本文设计了一种权重系数融合算法,其能根据特征的贡献程度自动赋予相应的权重系数。为了提高行人在遮挡问题上的检测精度,本文提出将Camshift算法与EKF融合的策略,通过EKF的预测机制提高对遮挡情形的鲁棒性。最后,设置遮挡判别器,旨在必要的时候进行EKF预测,减低计算量。实验表明,检测算法中的检测精度可达到98.5%,跟踪算法在行人出现遮挡后也能完成对目标的准确跟踪。
李行[7]（2020）在《基于核化相关滤波跟踪技术的跑道侵入预防研究》文中认为随着民航业的快速发展,机场的大量建设和航班量的增加,代表着民航进入了一个发展的黄金时期,但随之而来的地面跑道安全问题也日益凸显,通过对新兴的目标跟踪技术概念性的应用到民航跑道侵入当中,对跑道侵入的防控具有积极意义,对提高机场跑道安全具有理论价值。本文主要主要通过以下几个方面对跑道侵入预防进行研究。首先,对目前国内针对跑道侵入和跑道冲突的相关研究和理论进行归纳总结概括,本文主要依托目标跟踪技术对跑道侵入预防进行研究,也对目前的跟踪技术现状进行了综述。其次,介绍跑道侵入的基本概念定义,在跑道侵入过程中,主要还是发生在地面保护区,通过对机场跑道保护区的分析,将跑道侵入按照类型进行分类,按照跑道侵入不同致因进行分类,最后总结分析跑道风险特性。对核化相关目标跟踪算法进行了详细介绍,其中介绍如何将相关滤波应用到目标跟踪领域,详述在目标跟踪当中一系列重要方法,包含特征项的提取,样本的提取,核函数的加入,滤波器的训练以及模板的更新。提出了运用视频监控的方式在机场当中提取视频序列,以达到检测目标航空器的目标,模拟了航空器跑道冲突场景,并给出检测航空器跑道侵入验证方法。最后,根据核滤波跟踪算法无法进行尺寸变化目标的跟踪的缺点,改进了核滤波算法,并和无改进算法进行效果对比,取得了比较理想的效果。在提升准确率的前提下,也能够保证检验的时效性,能够为后续实际投入一线应用打下良好的基础。文章末尾总结本文的研究方法和创新点,为后续研究指明方向。本论文的研究内容是将跟踪算法与跑道安全相结合的思路,在之前研究当中,并未出现目标跟踪应用到跑道侵入领域,这也是跟踪算法在防治跑道侵入当中进行了初步理论尝试,为预防跑道侵入实际应用和进一步的目标跟踪检测等奠定了技术基础。
谢缘[8]（2020）在《环境与目标实时感知技术研究》文中研究表明环境与目标协同实时感知是一种基于抵近测量思想的测量方法,通过在目标附近布置多个空基图像测量站以解决传统靶场光电交汇测量方法受视角、视距和在线相机数的限制,导致测量精度不足,目标状态感知数据稀疏的问题。当传感器平台不在地面且传感器视场内难以人工布置高精度的辅助合作靶标时,抵近测量平台如何确定自身的位姿成为环境与目标协同感知技术的核心问题。为此,设计了互定位姿的无人机集群协同感知测量场。考虑空基测量场合中传感器平台的机动性强,装调时间有限的条件,研究了协同传感器实时测量技术。首先,对广域测量的时空坐标统一技术中的时统技术和DGPS技术进行特征分析,针对实时感知采用参数化预解析的方法处理测量系统时空坐标统一问题;描述了静止平台的环境与目标一体化测量方法及关键技术,建立了单目测量、双目测量和多目测量的位置姿态模型,以期验证模型模拟结果与相关资料数据的统一性;搭建了仿真相机系统,模拟验证单目相机运动感知模型,并通过实验证明研究方向的正确性。其次,设计了多目无人机测量平台互为特征点的协同感知测量场,以AP3P算法解决了抵近测量平台的位姿确定问题;提出基于P3P危险圆柱问题的布站要求,为协同感知测量场的构型设计提供理论支撑;建立图像传感器感测、相机参数与测速精度模型,根据精度分析结果改进了测量场构型,为研发群组目标高精度测控系统奠定理论和技术基础。围绕系统的实时性,规划了多目相机协同感知流程,研究了基于结构化特征下的实时目标识别技术与基于HSV色彩模型的目标感知技术,并为在线测量中的待测目标自动提取技术提供了理论支撑。最后,搭建了环境与目标实时感知测量场试验系统,进行点目标空间轨迹测量试验与多目标空间轨迹测量试验,表明环境与目标实时感知系统实现了预期的研究目标,实现了广域和高带宽的多目多目标实时测量。
王吉[9]（2019）在《面向无人集群自主协同的信息处理智能优化方法研究》文中进行了进一步梳理随着电子、通信、人工智能、机械制造等多学科关键技术的迅速发展,无人平台正受到诸多关注,在军事和民用领域得到日益广泛的应用。然而,伴随无人平台使用场景的不断扩展,单个无人平台逐渐暴露出效率低、灵活性差、鲁棒性弱等问题,有机整合多个无人平台形成无人集群,逐渐成为无人系统发展的重要方向。无人平台间有效的协同交互是形成无人集群的关键,而实现无人集群内部的协同交互,首先要解决系统内部计算、传输等信息处理问题,这是实现无人集群运转的前提。信息的高效协同处理直接决定着集群的整体效能与实际应用效果。基于此,论文面向无人集群自主协同,围绕无人集群信息处理,以优化基于云端融合的协同信息处理效能为目标,研究无人集群协同通信、协同计算中的重要问题,突破面向无人集群自主协同的信息处理关键技术。论文主要开展了以下五个方面的研究:第一,设计了基于云端融合的无人集群协同信息处理框架,明确了论文需重点解决的关键问题。论文从无人集群的实际情况与典型应用出发,分析无人集群的系统特点与一般需求,综合二者设计了一种基于云端融合的无人集群协同信息处理框架。同时,根据从无人集群典型应用中抽象得到的系统与物理世界交互模型,发掘面向无人集群自主协同的信息处理优化关键问题,并以战场侦察监视为背景设计了具体应用场景,将关键问题具体化,为全文的后续研究界定了范围。第二,提出了无人集群数据传输链路自主协同选择优化方法。针对大规模无人集群进行数据传输时可能出现的链路拥塞问题,研究了无人集群数据传输链路自主协同选择问题,将该问题建模为一个链路选择博弈,通过严格的分析证明该博弈的纳什均衡的存在性。在此基础上,设计了一种基于虚拟博弈的分布式链路选择算法,该算法无需获知其他无人平台的当前决策,算法复杂度低,可通过无人平台独立选择数据传输链路,生成链路选择博弈的纳什均衡解。实验结果表明超过70%的无人平台可通过该方法提高自身数据传输的效用,优化了无人集群数据链路的使用效率。第三,提出了复杂网络环境下无人集群冗余数据自主协同上传优化方法。针对无人集群在执行战场侦察监视任务时,集群内存在大量冗余数据,上传冗余数据不能产生信息效用,反而会浪费平台能量与通信资源的现象,研究了无人集群协同数据传输问题,提出了一种面向长期优化的自适应分布式优化方法。该方法由关联上传决策与在线分布式调度算法组成,各个无人平台可独立地根据自有的可观测信息进行是否传输数据、传输哪些数据的决策。通过严格的理论分析与巧妙的算法剪枝,所提出的方法能在可接受的计算复杂度下使长期运行性能任意接近最优值。第四,提出了基于深度学习模型分割的云端协同计算方法。为了实现无人平台上高效的深度学习模型计算,论文考虑在无人平台数据传输链路通畅的情况下,采用云端协同的模式,通过深度神经网络分割,将包括模型训练、复杂推断等重负载的任务卸载至云中心执行,无人平台仅承担简单的数据转换任务。为了消除无人平台传输数据时带来的数据安全与隐私风险,论文设计了一种新的满足差分隐私准则的扰动方法,相比传统扰动方法更加灵活、更适应神经网络的层级结构;同时,为了降低本地扰动对云中心后续推断的影响,提出了一种噪声训练方法来训练云中心网络,增强云中心网络对噪声的鲁棒性,优化模型计算性能。实验结果表明,在计算性能受极小影响的情况下,所提出的方法可以降低超过60%的资源消耗。第五,提出了基于知识萃取的计算模型云端协同训练方法。为了实现无人平台在数据传输链路断开情况下,仍能进行深度学习模型计算的目标,研究了在云中心训练一个可直接部署的深度学习精简模型的方法。该方法遵循教师-学生训练模式,将嵌入于复杂、庞大的教师模型中的知识分阶段地萃取并转移到学生模型中,以提高压缩的学生模型的性能。同时,为了保护原始训练数据与原始模型的安全与隐私,所有转移到学生模型上的知识均被施加满足差分隐私准则的扰动。此外,设计了新的查询样本选取方法,在保证性能的前提下,显着减少教师模型被查询次数,增强数据安全与隐私保护。实验结果表明,该方法以损失少于1%准确率的代价,获得20倍模型压缩和19倍计算加速的优化效果。
许铭[10]（2019）在《四旋翼无人机室内变梯度自主飞行技术》文中研究指明随着国内外机器人技术的发展,无人机技术已经取得了巨大的成就。多旋翼无人机因其体积小、成本低、机动性强、操作简单等特点,使其能够在复杂的环境下仍能表现出良好的适应性。但这也同样对多旋翼无人机的载重能力、续航时间等产生了一定的约束限制,尤其是在缺失GPS信号的室内环境下,大重量、高功耗的传感器已经不适用于多旋翼无人机。因此本文设计了一种基于单目视觉技术的自主飞行四旋翼无人机,通过在室内带状环境中对摄像机获得图像处理,建立可飞行通道引导四旋翼无人机实现自主飞行。首先,本文对四旋翼无人机系统平台进行设计,完成了平台的搭建,分别对系统软硬件进行了介绍。硬件平台主要包括飞行控制器、机载计算机、单目视觉模块、超声波定高模块等;软件系统包括飞行控制软件体系架构、飞行控制器与机载计算机之间的串口通信等。其次,基于四旋翼无人机动力学模型,分析姿态解算、姿态控制、位置解算、位置控制原理及实现过程,实现机载计算机的外部控制信息与飞行控制器的位置控制信息融合,在Gazebo仿真器中验证外部控制有效性。再次,介绍单目相机成像原理,使用张正友标定法对所使用单目相机进行标定;利用改进的Canny边缘检测和霍夫变换在灰度图像中提取可飞行区域,建立前向三层安全飞行通道,并在不同场景下验证通道建立可行性。最后,制订两种四旋翼无人机飞行策略,将飞行策略转换为八种不同的飞行模式组合,在仿真环境和实际环境下验证飞行策略可行性。
二、机载摄像设备图像稳定方法探讨（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、机载摄像设备图像稳定方法探讨（论文提纲范文）
（1）室内服务机器人Lifelong SLAM数据集和定位方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 服务机器人环境感知 |
| 1.1.2 深度学习技术的发展 |
| 1.2 研究现状 |
| 1.2.1 视觉SLAM研究现状 |
| 1.2.2 结合深度学习的SLAM研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.4 论文的结构 |
| 2 室内服务机器人LIFELONG SLAM数据集及度量基准 |
| 2.1 引言 |
| 2.2 研究背景 |
| 2.3 数据采集平台搭建及数据处理 |
| 2.3.1 机器人和传感器装置 |
| 2.3.2 传感器标定 |
| 2.3.3 数据同步 |
| 2.3.4 采集场景及数据序列 |
| 2.3.5 轨迹真值 |
| 2.4 面向LIFELONG SLAM的度量基准 |
| 2.4.1 鲁棒性度量基准 |
| 2.4.2 准确性度量基准 |
| 2.5 实验及结果分析 |
| 2.5.1 相关测试算法介绍 |
| 2.5.2 单序列模式测试 |
| 2.5.3 Lifelong SLAM模式测试 |
| 2.6 本章小节 |
| 3 基于深度特征的室内服务机器人LIFELONG SLAM定位算法 |
| 3.1 引言 |
| 3.2 研究背景 |
| 3.3 基于深度特征的SLAM算法 |
| 3.3.1 视觉特征提取 |
| 3.3.2 视觉词典训练 |
| 3.3.3 基于全局深度特征的重定位模块 |
| 3.3.4 基于多层次深度特征的回环检测模块 |
| 3.4 实验及结果分析 |
| 3.4.1 测试数据集介绍 |
| 3.4.2 特征提取及实时性测试 |
| 3.4.3 重定位模块测试 |
| 3.4.4 回环检测模块测试 |
| 3.4.5 整体性能测试 |
| 3.5 本章小结 |
| 4 基于深度卷积神经网络的室内服务机器人LIFELONG SLAM特征提取 |
| 4.1 引言 |
| 4.2 研究背景 |
| 4.3 面向室内特征提取网络的OPENLORIS-LOCATION训练集构建 |
| 4.4 基于卷积神经网络的深度特征提取 |
| 4.4.1 基础网络选择:特征描述 |
| 4.4.2 局部区域级权重分析与设计:静态语义区域 |
| 4.4.3 像素级权重分析与设计:特征检测 |
| 4.4.4 网络训练 |
| 4.4.5 网络测试 |
| 4.5 实验及结果分析 |
| 4.5.1 局部深度特征测试 |
| 4.5.2 室内定位系统级测试 |
| 4.6 本章小节 |
| 5 基于传感器融合的室内服务机器人LIFELONG SLAM定位算法 |
| 5.1 引言 |
| 5.2 研究背景 |
| 5.3 巷道三维系统模型 |
| 5.3.1 巷道三维坐标系转换关系 |
| 5.3.2 手持传感器数据采集装置 |
| 5.4 基于语义分割网络的动态点检测和剔除方法 |
| 5.4.1 问题描述 |
| 5.4.2 动态点检测和剔除方法 |
| 5.5 惯性视觉传感器融合定位 |
| 5.6 实验及结果分析 |
| 5.6.1 EuRoC数据集测试 |
| 5.6.2 OpenLORIS-Underground数据集测试 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于高速公路违章检测的四旋翼无人机平台的设计与实现（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 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 违章检测系统国内外研究现状 |
| 1.2.1 智能交通系统概述 |
| 1.2.2 四旋翼无人机在交通领域研究现状 |
| 1.2.3 高速公路违章检测系统平台的研究现状 |
| 1.3 论文研究内容及结构安排 |
| 1.3.1 课题研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 四旋翼无人机平台设计方案 |
| 2.1 四旋翼无人机平台设计需求分析 |
| 2.2 四旋翼无人机平台的基本构成 |
| 2.3 四旋翼无人机平台主要硬件选型 |
| 2.3.1 飞行控制系统硬件 |
| 2.3.2 传感器模块 |
| 2.3.3 供电模块 |
| 2.3.4 电机驱动模块 |
| 2.3.5 定位模块 |
| 2.3.6 通信模块 |
| 2.3.7 其他硬件模块 |
| 2.4 四旋翼无人机主要硬件模块基本工作原理 |
| 2.4.1 主协处理器通信及底层启动过程 |
| 2.4.2 内置传感器与处理器之间通信 |
| 2.4.3 定位模块基本工作原理 |
| 2.5 四旋翼无人机姿态控制与巡航飞行原理 |
| 2.5.1 四旋翼无人机的基本控制原理 |
| 2.5.2 四旋翼无人机动力模型 |
| 2.5.3 姿态估算与位置估算原理 |
| 2.5.4 巡航飞行原理及实现 |
| 2.6 本章小结 |
| 第三章 四旋翼无人机平台通信方案设计 |
| 3.1 四旋翼无人机进程间通信方案设计 |
| 3.1.1 PIXHAWK四旋翼无人机软件体系架构 |
| 3.1.2 开发与编译环境的搭建 |
| 3.1.3 进程间通信机制介绍 |
| 3.1.4 进程间通信机制结构分析 |
| 3.1.5 数据订阅及发布原理 |
| 3.2 四旋翼无人机与地面站间通信方案设计 |
| 3.2.1 地面控制站简介 |
| 3.2.2 通信链路实现 |
| 3.2.3 MAVlink通信协议介绍 |
| 3.2.4 Mavlink通信协议体系结构 |
| 3.2.5 Mavlink协议帧结构定义 |
| 3.2.6 MAVlink协议消息解析 |
| 3.2.7 MAVlink消息封装及发送过程 |
| 3.3 本章小结 |
| 第四章 四旋翼无人机平台收发违章信息方案设计与实现 |
| 4.1 物理层实现方式 |
| 4.2 串口通信功能实现 |
| 4.3 四旋翼无人机接收车辆违章信息 |
| 4.3.1 自定义违章信息μorb主题 |
| 4.3.2 违章信息主题的公告和发布 |
| 4.4 无人机转发违章信息到地面站 |
| 4.4.1 自定义违章信息MAVlink消息 |
| 4.4.2 违章信息发送至地面站过程实现 |
| 4.4.3 地面站解析违章信息 |
| 4.5 本章小结 |
| 第五章 四旋翼无人机避障功能的设计与实现 |
| 5.1 整体方案设计 |
| 5.2 硬件方案设计 |
| 5.2.1 HC_SR04超声波模块 |
| 5.2.2 Arduino控制模块 |
| 5.3 软件方案设计 |
| 5.3.1 软件设计流程 |
| 5.3.2 信号处理算法 |
| 5.3.3 避障算法设计 |
| 5.4 避障飞行结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 论文后续展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 致谢 |
（3）无人机自主精准定点降落中图像处理技术的研究（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 课题国内外研究现状 |
| 1.2.1 无人机定点精准降落技术研究现状 |
| 1.2.2 目标检测技术研究现状 |
| 1.2.3 目标跟踪技术研究现状 |
| 1.3 研究内容和创新点 |
| 1.3.1 研究内容与章节安排 |
| 1.3.2 创新点 |
| 第2章 无人机定点降落分析及图像预处理 |
| 2.1 引言 |
| 2.2 无人机自主降落分析 |
| 2.2.1 无人机自主降落流程介绍 |
| 2.2.2 相对位置计算流程及原理 |
| 2.2.3 降落场景分析 |
| 2.3 视频图像预处理 |
| 2.3.1 彩色图像灰度化 |
| 2.3.2 图像平滑去噪 |
| 2.3.3 图像二值化与增强处理 |
| 2.3.4 图像形态学处理 |
| 2.4 预处理效果对比与分析 |
| 2.5 本章小结 |
| 第3章 降落目标的检测与识别算法 |
| 3.1 引言 |
| 3.2 基于ArUco标记的检测与识别 |
| 3.2.1 ArUco标记介绍 |
| 3.2.2 ArUco标记检测与识别 |
| 3.3 基于分类器的检测与识别 |
| 3.3.1 降落目标的特征提取 |
| 3.3.2 降落目标的识别 |
| 3.4 检测效果对比与分析 |
| 3.5 本章小结 |
| 第4章 降落目标的跟踪算法 |
| 4.1 引言 |
| 4.2 经典目标跟踪算法研究 |
| 4.2.1 TLD算法 |
| 4.2.2 KCF跟踪算法 |
| 4.3 目标跟踪算法的改进 |
| 4.3.1 基于TLD框架及KCF的跟踪算法 |
| 4.3.2 多特征融合的尺度自适应KCF跟踪算法 |
| 4.3.3 基于TLD框架及改进KCF的跟踪算法 |
| 4.4 跟踪效果对比与分析 |
| 4.5 本章小结 |
| 第5章 无人机自主降落的总体算法 |
| 5.1 引言 |
| 5.2 跟踪结果检测自矫正 |
| 5.3 降落算法总体框架 |
| 5.4 整体算法测试结果与分析 |
| 5.4.1 实验条件及参数设置 |
| 5.4.2 评价指标 |
| 5.4.3 数据集测试结果与分析 |
| 5.4.4 实际降落试验结果与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（4）基于无人机的全景地图自主生成方法研究与实现（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 国内外研究现状 |
| 1.2.1 无人机全景应用研究现状 |
| 1.2.2 无人机与图像处理结合现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 第二章 相关技术 |
| 2.1 无人机相关技术 |
| 2.2 图像处理相关技术 |
| 2.2.1 图像的形态学处理 |
| 2.2.2 图像分类与语义分割 |
| 2.3 深度学习方法 |
| 2.3.1 卷积神经网络 |
| 2.3.2 图像分类数据集与网络 |
| 2.3.3 迁移学习与图像分类 |
| 2.4 本章小结 |
| 第三章 基于无人机的全景地图自主生成方法 |
| 3.1 总体框架 |
| 3.2 无人机航点生成及优化 |
| 3.2.1 拍摄点选择规则 |
| 3.2.2 无人机航点生成 |
| 3.2.3 无人机航点数量优化 |
| 3.3 无人机拍摄位置优化 |
| 3.3.1 拍摄位置优化原则 |
| 3.3.2 基于深度学习图像分类的道路照片拍摄位置优化 |
| 3.3.3 基于单图像天空区域检测的建筑照片拍摄位置优化 |
| 3.4 本章小结 |
| 第四章 原型系统实现与性能验证 |
| 4.1 原型系统实现 |
| 4.1.1 开发环境与无人机选型 |
| 4.1.2 航点生成与优化系统原型 |
| 4.1.3 无人机通用任务规划平台 |
| 4.2 航点生成及优化性能验证 |
| 4.2.1 航点生成实验与结果分析 |
| 4.2.2 航点数量优化实验与结果分析 |
| 4.3 道路拍摄位置优化性能验证 |
| 4.3.1 实验用数据集 |
| 4.3.2 道路跟随实验与结果分析 |
| 4.4 建筑拍摄位置优化性能验证 |
| 4.4.1 建筑物天际线数据集 |
| 4.4.2 天空检测实验与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的主要研究成果 |
（5）电子稳像技术研究及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题的研究意义 |
| 1.3 稳像技术的国内外研究状况 |
| 1.4 本文研究内容和章节安排 |
| 2 稳像技术的基础理论研究 |
| 2.1 稳像的基本原理 |
| 2.2 视频模糊产生机理 |
| 2.3 稳像技术的分类 |
| 2.4 电子稳像技术研究 |
| 2.5 本章小结 |
| 3 电子稳像常用算法研究及改进 |
| 3.1 图像预处理 |
| 3.2 块匹配运动估计算法 |
| 3.3 灰度投影法 |
| 3.4 位平面运动估计算法 |
| 3.5 光流法 |
| 3.6 其他方法 |
| 3.7 稳像系统的框架构建 |
| 3.8 本章小结 |
| 4 基于MEMS陀螺仪的稳像方法 |
| 4.1 陀螺仪参数校准 |
| 4.2 本章方法介绍 |
| 4.3 实验及结果分析 |
| 4.4 本章小结 |
| 5 基于 SIFT 特征点匹配的稳像及改进 |
| 5.1 SIFT特征点检测原理 |
| 5.2 RANSAC特征点筛选 |
| 5.3 实验及结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文主要工作总结 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于旋翼无人机的行人检测及跟踪方法研究（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 |
| 1.2.1 行人检测技术 |
| 1.2.2 行人跟踪技术 |
| 1.2.3 无人机研究现状 |
| 1.3 论文的主要研究内容以及组织结构 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文组织结构 |
| 第2章 检测跟踪相关理论及实验平台 |
| 2.1 目标特征选取与表示 |
| 2.1.1 颜色特征 |
| 2.1.2 LBP特征算子 |
| 2.1.3 HOG特征 |
| 2.2 深度学习与卷积神经网络概述 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 反向传播 |
| 2.2.3 R-CNN网络结构 |
| 2.3 平台整体设计方案 |
| 2.4 平台软件设计方案 |
| 2.4.1 旋翼飞行机器人控制系统 |
| 2.4.2 旋翼飞行机器人状态模型的建立 |
| 2.5 本章小结 |
| 第3章 基于Faster R-CNN的旋翼无人机行人检测方法 |
| 3.1 引言 |
| 3.2 基于Faster R-CNN的行人检测系统框架 |
| 3.2.1 Faster R-CNN网络原理 |
| 3.2.2 锚框结构 |
| 3.2.3 损失函数 |
| 3.3 基于Faster R-CNN网络模型的算法改进方案 |
| 3.3.1 锚点参数优化 |
| 3.3.2 基于遮挡的损失函数 |
| 3.4 公共数据集下行人检测实验及分析 |
| 3.4.1 实验数据集及实验设置 |
| 3.4.2 基于改进的损失函数实验与分析 |
| 3.4.3 基于改进的锚点的实验与分析 |
| 3.4.4 基于改进的Faster R-CNN网络实验与分析 |
| 3.5 无人机实际场景下的检测实验结果 |
| 3.6 本章小结 |
| 第4章 基于Camshift的行人跟踪算法 |
| 4.1 引言 |
| 4.2 Camshift与 EKF滤波算法 |
| 4.3 基于Camshift的机载行人跟踪算法 |
| 4.4.1 图像降噪 |
| 4.4.2 权重系数 |
| 4.4.3 行人目标模型表示 |
| 4.4.4 遮挡模型判别器 |
| 4.4 基于Camshift的行人跟踪算法流程 |
| 4.5 基于Camshift的行人的跟踪算法实验及分析 |
| 4.5.1 行人目标模型融合实验及分析 |
| 4.6 实际场景下无人机平台跟踪实验结果 |
| 4.6.1 旋翼无人机行人遮挡跟踪实验及分析 |
| 4.6.2 旋翼无人机行人跟踪算法综合性能 |
| 4.7 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
（7）基于核化相关滤波跟踪技术的跑道侵入预防研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 跑道侵入研究现状 |
| 1.2.2 目标跟踪研究现状 |
| 1.3 研究目的 |
| 1.4 论文结构 |
| 第二章 机场跑道侵入概述 |
| 2.1 跑道侵入的定义 |
| 2.1.1 跑道侵入的定义和内涵 |
| 2.1.2 地面保护区 |
| 2.2 跑道侵入的分类 |
| 2.2.1 按失误类型分类 |
| 2.2.2 按危险性程度来分类 |
| 2.3 机场跑道侵入的原因分析 |
| 2.3.1 管制员因素与跑道侵入 |
| 2.3.2 飞行员因素与跑道侵入 |
| 2.3.3 机场车辆因素与跑道侵入 |
| 2.4 机场跑道侵入风险特性 |
| 2.5 本章小结 |
| 第三章 核相关滤波算法研究 |
| 3.1 算法概述 |
| 3.2 特征信息 |
| 3.2.1 灰度特征 |
| 3.2.2 颜色特征 |
| 3.2.3 HOG特征 |
| 3.3 相关滤波器原理 |
| 3.4 核化相关滤波 |
| 3.4.1 样本采样 |
| 3.4.2 线性回归 |
| 3.4.3 核空间线性回归 |
| 3.4.4 核机制检测与更新 |
| 3.5 本章小结 |
| 第四章 跑道侵入检测 |
| 4.1 目前预防手段 |
| 4.1.1 机载设备 |
| 4.1.2 地面设备 |
| 4.1.3 .管理系统 |
| 4.1.4 目视警示灯光系统 |
| 4.2 防跑道侵入原理 |
| 4.2.1 跑道侵入区域 |
| 4.2.2 跑道侵入情况分析 |
| 4.3 侵入检测 |
| 4.3.1 跑道侵入检测 |
| 4.3.2 跑道冲突检测 |
| 4.4 本章小结 |
| 第五章 跟踪技术对航空器的验证分析 |
| 5.1 尺寸改进算法 |
| 5.1.1 改进原理 |
| 5.1.2 改进算法流程 |
| 5.2 实验结果与分析 |
| 5.2.1 实验指标 |
| 5.2.2 未改进算法结果 |
| 5.2.3 改进算法结果实验结果与分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（8）环境与目标实时感知技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 环境与目标一体化协同测量方法与技术 |
| 2.1 广域测量的时空坐标统一技术 |
| 2.1.1 时统技术 |
| 2.1.2 DGPS技术 |
| 2.2 基于静止平台的环境与目标一体化测量 |
| 2.2.1 单目测量技术 |
| 2.2.2 双目测量技术 |
| 2.2.3 多目测量技术 |
| 2.3 基于单目运动平台的目标定位一体化测量 |
| 2.3.1 基于固定靶标的单目运动测量平台 |
| 2.3.2 目标与环境协同感知仿真相机系统 |
| 2.4 本章小结 |
| 第3章 协同感知传感器测量场设计 |
| 3.1 环境与目标实时感知系统架构 |
| 3.2 基于PNP算法的测量场构型设计 |
| 3.2.1 PnP算法选用 |
| 3.2.2 AP3P算法精度分析 |
| 3.3 基于P3P危险圆柱问题的布站要求 |
| 3.3.1 危险圆柱问题定义 |
| 3.3.2 危险圆柱对P3P实解的影响 |
| 3.3.3 危险圆柱对布站的影响 |
| 3.4 协同感知测量场建模 |
| 3.4.1 图像传感器感测模型 |
| 3.4.2 图像传感器相参模型 |
| 3.4.3 图像传感器测速精度模型 |
| 3.5 协同感知测量场传感器平台布局设计 |
| 3.6 本章小结 |
| 第4章 协同感知传感器实时测量技术 |
| 4.1 多目相机协同感知流程 |
| 4.2 基于结构化特征的实时目标识别技术 |
| 4.2.1 结构化特征定义 |
| 4.2.2 结构化特征辨识 |
| 4.3 基于HSV色彩模型的目标特征实时提取技术 |
| 4.3.1 基于HSV色彩模型的目标轮廓提取 |
| 4.3.2 目标质心坐标提取 |
| 4.4 基于公垂线的多目空间目标定位技术 |
| 4.5 本章小结 |
| 第5章 多目标协同与实时感知实验 |
| 5.1 实验系统搭建 |
| 5.1.1 实验目的 |
| 5.1.2 系统组成 |
| 5.1.3 主要器材及其性能指标 |
| 5.1.4 试验系统主要特性分析 |
| 5.2 主要试验内容及试验方法 |
| 5.2.1 测量场布局及标定试验 |
| 5.2.2 无人机试飞 |
| 5.2.3 基于多目图像传感器平台的点目标空间轨迹测量试验 |
| 5.2.4 基于多目图像传感器平台的多目标空间轨迹测量试验 |
| 5.2.5 试验小结 |
| 5.3 试验数据结果分析 |
| 5.3.1 环境感知能力分析 |
| 5.3.2 目标感知能力分析 |
| 5.3.3 实时性测量能力分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（9）面向无人集群自主协同的信息处理智能优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 集群化是无人系统发展的重要方向 |
| 1.1.2 信息处理是无人集群自主协同的关键 |
| 1.1.3 “云端融合”为无人集群协同信息处理提供了一种新思路 |
| 1.1.4 无人集群协同信息处理面临的挑战 |
| 1.1.5 无人集群协同信息处理涉及的科学问题 |
| 1.1.6 本文研究的科学意义与实践意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人集群系统 |
| 1.2.2 无人集群信息处理架构 |
| 1.2.3 无人集群协同数据传输 |
| 1.2.4 无人集群协同计算处理 |
| 1.2.5 无人系统与深度学习 |
| 1.3 研究思路与内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容与创新点 |
| 1.3.3 论文结构 |
| 第二章 无人集群协同信息处理关键问题与框架设计 |
| 2.1 无人集群概念及相关系统 |
| 2.1.1 无人平台与无人集群 |
| 2.1.2 无人集群通信 |
| 2.1.3 无人集群计算 |
| 2.2 无人集群应用场景与交互模型 |
| 2.2.1 典型应用场景 |
| 2.2.2 系统与物理世界交互模型 |
| 2.3 基于云端融合的无人集群协同信息处理框架 |
| 2.3.1 无人集群协同信息处理框架 |
| 2.3.2 具体应用场景问题分析 |
| 2.4 本章小结 |
| 第三章 无人集群数据传输链路自主协同选择优化 |
| 3.1 引言 |
| 3.1.1 问题分析 |
| 3.1.2 相关工作 |
| 3.2 系统模型 |
| 3.3 无人集群链路选择博弈 |
| 3.3.1 博弈模型构建 |
| 3.3.2 博弈性质分析 |
| 3.4 分布式链路选择算法 |
| 3.4.1 算法设计 |
| 3.4.2 收敛性分析 |
| 3.5 实验评估 |
| 3.5.1 收敛性 |
| 3.5.2 性能提升 |
| 3.5.3 原型系统 |
| 3.6 本章小结 |
| 第四章 无人集群冗余数据自主协同上传优化 |
| 4.1 引言 |
| 4.1.1 问题分析 |
| 4.1.2 相关工作 |
| 4.2 系统模型与问题形式化 |
| 4.3 自适应分布式优化方法 |
| 4.3.1 关联上传决策 |
| 4.3.2 在线分布式调度算法 |
| 4.3.3 理论分析 |
| 4.4 实验评估 |
| 4.4.1 能耗-效用均衡 |
| 4.4.2 反馈延迟与取样大小对性能的影响 |
| 4.4.3 对信道状态的适应性 |
| 4.4.4 平台丢失的自适应性 |
| 4.4.5 性能比较 |
| 4.4.6 原型系统测试 |
| 4.5 本章小结 |
| 第五章 基于深度学习模型分割的云端协同计算 |
| 5.1 引言 |
| 5.1.1 问题分析 |
| 5.1.2 相关工作 |
| 5.2 预备知识 |
| 5.2.1 深度神经网络 |
| 5.2.2 迁移学习 |
| 5.2.3 差分隐私准则 |
| 5.3 面向安全与隐私的云端协同计算框架 |
| 5.3.1 框架概览 |
| 5.3.2 面向隐私的数据转换 |
| 5.3.3 噪声训练 |
| 5.4 实验评估 |
| 5.4.1 参数选择 |
| 5.4.2 隐私扰动对性能的影响 |
| 5.4.3 性能比较 |
| 5.4.4 隐私保护预算分析 |
| 5.4.5 原型系统测试 |
| 5.5 本章小结 |
| 第六章 基于知识萃取的计算模型云端协同训练 |
| 6.1 引言 |
| 6.1.1 问题分析 |
| 6.1.2 相关工作 |
| 6.2 面向安全与隐私的模型压缩框架 |
| 6.2.1 框架概览 |
| 6.2.2 模型压缩 |
| 6.2.3 安全与隐私保护 |
| 6.2.4 查询样本选取 |
| 6.3 实验评估 |
| 6.3.1 参数对性能的影响 |
| 6.3.2 隐私保护性能 |
| 6.3.3 模型压缩性能 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文主要工作 |
| 7.2 未来研究工作 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）四旋翼无人机室内变梯度自主飞行技术（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 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于外部视觉的旋翼无人机导航方案 |
| 1.2.2 基于机载视觉的绝对位姿估计导航方案 |
| 1.2.3 基于机载视觉的相对位姿估计导航方案 |
| 1.2.4 基于机载视觉和其他传感器相结合的导航方案 |
| 1.3 本文研究意义与研究内容 |
| 第二章 四旋翼无人机系统平台设计 |
| 2.1 系统总体设计 |
| 2.2 系统硬件平台设计 |
| 2.2.1 飞行控制器 |
| 2.2.2 机载计算机 |
| 2.2.3 单目视觉采集模块 |
| 2.2.4 超声波定高模块 |
| 2.3 系统软件平台 |
| 2.3.1 飞行控制系统软件体系架构 |
| 2.3.2 机载计算机与飞行控制器之间的通信 |
| 2.4 本章小结 |
| 第三章 四旋翼无人机自主飞行模块 |
| 3.1 四旋翼无人机结构及飞行原理 |
| 3.2 四旋翼无人机的动力学模型 |
| 3.2.1 建立坐标系及其相互转换 |
| 3.2.2 四旋翼无人机动力学模型 |
| 3.3 四旋翼无人机姿态解算与控制 |
| 3.3.1 姿态角的四元数表示法 |
| 3.3.2 四旋翼无人机姿态解算 |
| 3.3.3 PID控制基础 |
| 3.3.4 四旋翼无人机姿态控制 |
| 3.4 四旋翼无人机位置解算与控制 |
| 3.4.1 四旋翼无人机位置解算 |
| 3.4.2 四旋翼无人机位置控制 |
| 3.5 四旋翼无人机外部控制及仿真实验 |
| 3.5.1 四旋翼无人机外部控制 |
| 3.5.2 外部控制仿真实验 |
| 3.6 本章小结 |
| 第四章 四旋翼无人机视觉导航模块 |
| 4.1 单目视觉信息的获取 |
| 4.2 单目相机成像原理及标定 |
| 4.2.1 单目相机参考坐标系 |
| 4.2.2 单目相机坐标系及转换 |
| 4.2.3 单目相机标定 |
| 4.3 四旋翼无人机可飞行面预处理 |
| 4.3.1 边缘检测 |
| 4.3.2 直线提取 |
| 4.4 建立四旋翼无人机可飞行通道 |
| 4.4.1 提取可飞行区域 |
| 4.4.2 划分可飞行通道 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 四旋翼无人机自主飞行策略 |
| 5.1 四旋翼无人机飞行行为分析 |
| 5.1.1 四旋翼无人机飞行策略分析 |
| 5.1.2 四旋翼无人机飞行模式设计 |
| 5.2 四旋翼无人机飞行模式实验 |
| 5.2.1 单步飞行试验 |
| 5.2.3 自动飞行策略实验 |
| 5.3 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 |
| 作者简介 |
四、机载摄像设备图像稳定方法探讨（论文参考文献）
- [1]室内服务机器人Lifelong SLAM数据集和定位方法研究[D]. 李东江. 北京交通大学, 2021
- [2]基于高速公路违章检测的四旋翼无人机平台的设计与实现[D]. 樊宝安. 南京邮电大学, 2020(02)
- [3]无人机自主精准定点降落中图像处理技术的研究[D]. 陈菲雨. 山东大学, 2020(11)
- [4]基于无人机的全景地图自主生成方法研究与实现[D]. 吕点. 北京邮电大学, 2020(05)
- [5]电子稳像技术研究及实现[D]. 郝亚辛. 南京理工大学, 2020(01)
- [6]基于旋翼无人机的行人检测及跟踪方法研究[D]. 李欣欣. 湖南大学, 2020(12)
- [7]基于核化相关滤波跟踪技术的跑道侵入预防研究[D]. 李行. 中国民用航空飞行学院, 2020(11)
- [8]环境与目标实时感知技术研究[D]. 谢缘. 长春理工大学, 2020(01)
- [9]面向无人集群自主协同的信息处理智能优化方法研究[D]. 王吉. 国防科技大学, 2019(01)
- [10]四旋翼无人机室内变梯度自主飞行技术[D]. 许铭. 西安电子科技大学, 2019(02)