一、利用机器运动参数和人操作特征估计环境参数（论文文献综述）
张学连[1]（2021）在《基于多源参数的驾驶行为模式识别方法研究》文中研究说明互联网、大数据、云计算等新型科学技术的高速发展,为城市交通互联互通和居民便捷出行提供了技术支撑和有力保障,在科技兴国、交通强国等战略的制度保障下,智慧交通、绿色出行、“互联网+”、便捷支付等日益成为人们对美好生活高质量、优服务、便捷性、高效率、实时性和安全性的技术和平台需求。基于此背景下,自动驾驶技术也将跻身于高品质生活的软性需求,让车联网技术及车辆辅助驾驶技术全程掌握出行的车辆预判、操作、反馈等过程,人只需下达“指令”,这样才能达到居民出行事半功倍的效率,为居民出行提供安全高效舒适的驾驶空间和体验。为保证自动驾驶系统在行驶过程中实现安全高效的驾驶操作,需精确地识别车辆当前的驾驶行为模式,基于此,本文建立了合理的驾驶行为模式识别模型。基于实车试验,选取城市快速干道和高速公路作为试验路段,选取20位驾驶人全程进行实车试验,应用Kalman滤波进行数据预处理。为准确识别驾驶行为,将人、车、路三者所反映出的特性进行耦合,共同对当前驾驶行为进行判断和识别,根据四类驾驶行为（左换道、右换道、跟驰和自由行驶）运行规律,采用主成分分析和单因素方差检验法确定表征参数,分析高速工况下多源参数特性,包括车辆运动、交通环境及视觉参数。最后,采用随机森林决策树（CART+RF）、支持向量机（SVM）建立驾驶行为融合模式识别模型,比较两类模型的识别精度,并针对较优的方法进行优化,提高驾驶行为识别可靠性。论文研究主要得到以下结论:（1）可有效识别驾驶行为模式的车辆运动与行驶环境特征参数包括:车道线距离、车速、相对距离、横摆角速度及横向加速度等。不同驾驶行为下其车道线距离参数样本差异性最为显着,其次是横摆角速度和横向加速度对不同驾驶行为的识别效果影响较大;在不同驾驶行为过程中,车速变化趋势较为明显,换道时,车速变化周期短,且在换道前后速度有明显变化,高速工况行驶环境下通常体现在超车过程,车道保持时车速变化周期长,车速波动较为稳定;相对距离对于跟驰和自由驾驶行为的识别影响较大。（2）在驾驶过程中,驾驶人对交通环境的视觉信息获取比重较大,分析驾驶人当前行为状态下视觉眼动各指标的变化规律能够提高驾驶行为识别的准确率。视觉参数包括注视、眨眼、扫视等行为下的指标,分析结果表明:眨眼频率、注视角度、扫视幅度、注视点分布等参数在不同驾驶行为下具有显着差异性,能够有效表征四类驾驶行为特性。（3）基于实验样本集,建立驾驶行为模式识别模型,训练学习模型,测试其识别效果,结果表明:基于MLP神经网络的随机森林优化模型总体识别精度最高,达91.92%;其次是CART+RF模型总体识别精度为90.49%,对于自由驾驶行为的识别效果最优;SVM模型对于跟驰模式的识别精度最高。由模型识别准确性和ROC曲线评价综合分析可得,对于高速工况下的驾驶行为融合模式识别,采用MLP神经网络作为随机森林模型的个体分类器进行组合,基于集成学习思想建立的MLP+RF识别模型能够准确可靠地实时判断出自车当前驾驶模式。
於蓉[2]（2021）在《基于机器学习的养老机构室内环境质量评价模型研究》文中认为自中国进入老龄化社会以来,老年人口的数量持续递增,老年问题成为社会各界关注的焦点。由于计划生育的影响,“4-2-1”甚至“8-4-2-1”家庭结构发展迅速,传统的家庭养老模式已不断弱化,机构养老成为养老服务体系的重要组成部分。另一方面,人们一天中绝大部分的时间都在室内度过,对于老年人来说,他们更加依赖于室内,室内环境质量直接影响老年人的健康与舒适感。另外,随着生活水平的不断提高以及老年人身体机能的下降,老人对室内环境质量的要求也越来越高,所以养老机构的室内环境质量成为影响老年人生理和心理健康的重要因素。因此如何有效地提升养老机构的室内环境质量成为社会密切关注的重要问题,而改善养老机构室内环境质量首先要对其进行精确测量和科学评价。本文使用无线传感器网络技术对合肥市某养老机构的室内环境参数进行实时监测与收集,同时开展问卷调查工作,充分了解了养老机构室内热环境、光环境、声环境以及室内空气品质的舒适度。并利用机器学习中的逻辑回归算法建立了关于养老机构老年人对整体室内环境质量接受度的评价模型,选取热、光、声环境以及室内空气品质四个方面对整体室内环境质量接受度进行评估。同时从基于问卷样本数据集和实测样本数据集两种情况下对比分析了客观方法和主观方法对整体室内环境质量接受度模型的影响。通过问卷调查与模型分析得出的主要结论如下:（1）养老机构室内环境参数符合率普遍较低,同时老年人对整体室内环境质量的满意度也不理想。（2）通过实测环境参数分析和主观问卷结果分析的对比发现,对某个室内环境参数客观测量的分析结果可能与主观调查结果不一致。（3）通过环境参数拟合分析,提出了温度满意度、湿度满意度、空气品质满意度和声环境满意度四个拟合公式;另外,老年人对光环境的满意度与照度之间的拟合度较差。（4）由整体室内环境质量评价模型可知,对于老年人来说,温度是对室内环境质量接受度影响最大的因素,其次是噪声水平,而光照是影响最小的因素。本文结合了定性与定量的研究方法,建立了养老机构整体室内环境质量接受度评价模型,为创造健康、舒适、适老化、个性化的养老机构室内环境打下基础,为养老机构的设计及运营决策提供指导,有望改善室内环境质量,从而推动机构养老的可持续发展。
刘环[3]（2020）在《基于运动基元的机器人示范学习及应用研究》文中研究指明针对服务机器人自主操作任务和人机交互任务,示范学习（Learning by Demonstration,Lb D）是一种通过模仿给定专家演示数据学习得到操作技能的策略,可以使得机器人在非结构化环境中具有复现任务的能力。本文以轨迹的动态运动基元与交互概率运动基元的学习与泛化再现为主,深入研究了基于任务层次化分解思路的机器人示范学习与系统设计技术,并基于Kinect RGB-D传感器和UR5机械臂搭建了层次化示范学习系统,验证机器人典型自主操作与人机交互任务的动作轨迹泛化与任务复现能力。本文针对Lb D自主操作任务与人机协作任务分别设计自主行为复现模式与交互协作复现模式,将典型任务集合分解为动作基元集合,根据机器人是否与人交互的属性将动作分为自主动作基元与交互动作基元。首先,根据直接示教或者间接示教为动作基元采集原始示教轨迹,利用高斯滤波、高斯混合模型与高斯混合回归消除轨迹噪声以获取最优参考轨迹用于机器人模仿学习。然后,针对自主动作基元,采用动态运动基元模型学习单例参考轨迹实现轨迹泛化,而对于受任务参数或环境因素影响的自主动作基元,利用动态运动基元参数化模型学习多演示轨迹,以增强对任务参数或环境因素的泛化能力。针对交互动作基元,为使得机器人对观测到的人的部分运动轨迹实时响应,采用交互概率运动基元模型学习人机交互多演示轨迹,并扩展了三种相位估计方案:基于高斯分布、均匀分布与最小距离的相位估计,结合动作识别预测交互动作后验人机交互轨迹;对于受环境影响的交互动作,设计环境自适应交互概率运动基元模型学习与环境相关的交互动作多演示轨迹,并提出单轴等间距插值相位估计策略,增强环境泛化能力;最后,两种动作基元均进行仿真实验以验证模型泛化能力。本文根据上述研究内容搭建层次化示范学习系统,设计轨迹采集与预处理、动作基元学习与泛化、操作任务复现等功能模块,并开发功能软件与应用接口;针对两种工作模式下的多种任务,开展实际场景下UR5机器人复现实验;通过对一系列任务执行结果分析,验证了本文动作基元模仿学习技术可行性与应用软件开发实用性。
贺子洋[4]（2020）在《基于UWB与航迹推算的智能仓储机器人》文中研究说明随着“中国制造2025”规划的进一步落实,互联网和电子商务的蓬勃发展,促使仓储物流行业规模不断扩大。自动化仓储物流作为中国制造业转型的重要任务之一,正面临着新的机遇和挑战。仓储机器人作为自动化仓储的重要组成部分,发挥着越来越重要的作用,对其功能的不断完善与创新提出迫切的要求。本文针对室内仓储环境下化学药品对环境参数较为敏感的特性,设计与构建了仓储环境监测平台与智能仓储机器人。该系统实现对仓储环境下各区域实时精准监测与异常参数下药品自主送检的需求,以确保化学药品的质量与安全。其中仓储环境参数监测平台,主要包含仓储环境监测硬件平台与上位系统两大部分。硬件部分,考虑环境参数采集的实时性、可扩展性与通讯的快速性,本文从采集、处理和传输三个方面进行设计与构建。软件部分,考虑同硬件系统与机器人的配合,本文从通讯传输,数据显示保存,与分析决策进行了设计与编写。智能仓储机器人,同样从硬件本体和基于ROS的上位系统两大部分进行设计与构建。其中硬件本体,主要从驱动、控制、通讯、定位、操作等方面进行考虑设计与构建,以满足机器人移动与操作的需求。ROS平台从开发环境、功能包配置与嵌入式整合方面进行构建,以提高机器人的自主性与可扩展性。仓储室内环境下的定位精度是仓储机器人实现其功能的重要因素。传统以GPS为核心的室外定位方式,无法满足室内定位的精度要求,而以有轨或电磁等仓储定位导航方式构建与改造成本较大。同时,仓储室内环境下存在的非视距等因素同样对定位精度产生影响。为此本文选取超宽带（Ultra Wide Band,UWB）室内定位技术并结合航迹推算,提出了一种基于残差对数平方加权的双标签UWB与航迹推算融合的定位方式,一方面,双标签的引入,使得无需特制天线的情况下可以获得姿态角的解算,另一方面依据航迹推算与UWB定位获得的残差,减少了运算的复杂性,提高了视距测量的权重,以进一步提高室内定位精度,抑制非视距误差产生的影响。对上述提出的基于UWB与航迹推算改进融合算法的静态与动态定位性能分别在视距与非视距下进行实验。同时,对仓储机器人配合环境监测平台,在参数异常下的自主送检过程进行了实验。结果显示,在静态定位中,视距与非视距下的均方根误差均小于10cm,偏航角误差最大值不超过0.15rad,动态定位下,视距误差较小,非视距均方根误差最大不超过15cm,偏航角误差最大不超过0.3rad。因此本文提出的基于残差对数平方加权的双标签UWB与航迹推算融合定位算法,具有较好的定位跟踪效果,在一定程度上抑制了非视距的影响,满足智仓储机器人配合仓储环境监测平台在仓储环境下的定位导航需求。
李洋[5]（2020）在《基于改进随机森林的老年人热舒适预测研究》文中进行了进一步梳理随着我国人口老龄化程度的不断加深,对养老建筑的需求量不断增加,老年人也在不断的追求高品质、高质量的养老居住环境。相比其他年龄段人群来说,老年人的生理机能逐渐衰退,身体免疫能力逐渐下降,新陈代谢减缓,使得老年人对居住生活环境要求较高。目前,我国对养老建筑室内热环境及老年人热舒适的研究相对较少,且老年人热舒适预测涉及的因素远多于经典室内热舒适评价涉及的因素,采用目前的室内热环境评价标准来评价和预测老年人的热舒适性存在明显偏差。如何多维度并且准确地评价老年人居室的热环境及预测老年人的热舒适性,已经成为营造良好养老建筑热环境亟需解决的问题。为此,论文从寻找预测老年人热舒适更加准确的方法为出发点,提出一种基于改进随机森林算法的老年人热舒适理论模型和方法。针对随机森林算法存在的不足,主要从两方面进行改进:一是对节点分裂算法进行改进,提出一种将CART算法和C4.5算法的节点分裂规则组合一起形成线性函数的混合算法,并根据这两个算法的预测精确率赋予决策树权重作为混合算法的适应性系数;二是对分类投票方式进行改进,即对森林中决策树进行分类时的投票能力强弱赋予相应权重,使决策树具有与其生长效果相应的投票能力。通过对随机森林算法的改进,以提高随机森林应用于老年人热舒适预测的算法适用性以及预测客观性,提供一种应用于多维度信息的老年人热舒适预测方法。以杭州市为例,运用本文提出的老年人热舒适预测方法进行研究,初步分析老年人热舒适影响因素。采用现场测试和主观问卷调查的方式获得杭州市养老建筑中的老年人热舒适的相关数据,构建杭州市老年人热舒适预测数据库。对构建的数据库进行预处理,包括连续数据离散化、离散特征赋值、类不平衡处理等,并通过相关性分析和特征重要性分析,精炼并形成老年人热舒适预测指标体系并确定各指标量化权重。通过交叉实验确定节点混合分裂算法的适应性系数,随后通过多次实验,以OOB误差率为评价准则获取该模型的最佳决策树棵数（ntree）和最佳随机特征变量值（mtry）。对数据进行类不平衡处理,以提升模型的分类性能。将本文模型性能与PMV模型、决策树算法、传统随机森林算法进行预测性能比较,结果显示本文模型在混淆矩阵分析、预测精确度、准确度和召回率等方面均有明显优势。本文研究能为老年人热舒适预测提供理论和方法参考,并为老年人热环境设计提供一定的指导。
曹宏利[6]（2020）在《非结构化动态环境中机器人接触交互柔顺控制策略与实验研究》文中进行了进一步梳理工业机器人出现的半个多世纪以来,机器人技术已经从最初的自动化萌芽发展到现在的增强智能阶段,在制造业、服务业、国防以及航空航天等领域扮演着越来越重要的角色,代表了一个国家的核心竞争力。为了让机器人成为人类有效的合作者,机器人必须能够在为人类设计的非结构化动态环境中可靠地执行复杂的交互任务。然而,到目前为止,即使是最先进的机器人在执行此类受约束的操作任务时,比人类更慢,甚至十分不可靠,这一科学问题引起了大批国内外研究机构的关注。若能从根本上解决机器人在非结构化动态环境中接触交互柔顺控制问题,将会打破智能机器人、机器设备以及人之间的物理约束,让机器人成为人类有效的合作者,实现“共融共生”。本文旨在解决机器人自适应柔顺控制策略在非结构化动态环境中的接触交互性能问题,重点开展以下研究工作:（1）研究机器人接触交互柔顺控制框架。构建机器人动力学模型、接触动力学模型是研究柔顺控制的基础,同时也是研究机器人与物理环境交互系统中许多关键性问题的前提。在此模型基础上,研究经典的柔顺控制原理与实施方法,以机器人柔顺接触交互数学模型、物理模型和控制原理构建机器人柔顺控制框架。（2）研究基于动态更新速率的自适应阻抗控制原理。针对自适应混合阻抗控制方案在机器人接触力控制任务中不能同时兼顾接触超调抑制和精确跟踪的两难问题,设计基于动态更新速率的自适应混合阻抗控制策略。分析阻抗控制器瞬态系统响应行为和稳态跟踪性能,并以此设计更新速率动态调整方法;分析阻抗控制器的稳定性和边界条件,阐明保证系统稳定性的必要条件,通过仿真验证控制策略的控制效果。（3）研究基于PID和分数阶复合增强的自适应阻抗控制原理。为进一步提升自适应阻抗控制的性能,采用基于前置PID和分数阶的两种及其组合优化控制工具来改进阻抗控制策略。通过引入前置PID控制器改变系统的固有频率,使得阻抗控制器拥有更快的响应能力;分析由前置PID引起的更新速率边界扩大带来的动态调整问题,应用模糊逻辑控制对更新速率进行在线推断。通过引入分数阶计算工具提高阻抗控制器的稳定性和鲁棒性,使得控制器能够更有效地抑制接触超调和振动行为;对于分数阶阻抗控制所带来的复杂计算问题,设计百分比系数简化计算,实现从分数阶次到整数阶次的转换而不影响控制效果,仿真验证控制策略的控制效果。（4）研究基于传感-执行模式的动态自适应切换阻抗控制原理。分析机器人阻抗控制策略对环境适应的动态物理特性,汲取自然界蚂蚁与环境共融的灵感,仿生其功能和行为特点,设计基于传感-执行模式的自适应切换混合控制策略来实现机器人在非结构化动态环境的柔顺交互控制。首先,设计类似蚂蚁触角功能的集成传感-执行操作为一体的无需力、位移等传感器的环境自传感探测装置,通过自传感电路和估计算法对环境特征参数进行在线识别;设计自适应信号分离算法弥补电路电桥测量方式所带来的测量精度不足的问题。其次,通过比较基于动力学和基于位置的阻抗控制对不同特性环境的适应性所产生的跟踪性能差异,设计混合阻抗控制策略;分析混合控制器在开关切换过程的稳定性,由此设计参数切换准则。最后,针对非结构化动态环境中刚度等参数非线性突变造成的接触超调问题,通过建立接触过程的能量耗散和转化模型,设计弹性缓和控制器在突变位置切换期望刚度以抑制这种极具破坏的接触超调行为,优化分析控制参数动态切换方式,保证参数切换时系统的稳定性。（5）实验研究机器人柔顺接触交互控制策略。构建基于现场工业总线和CODESYS运行时的具有可扩展功能模块和全开放特点的机器人运动控制系统,开展机器人与非结构化动态环境进行接触交互相关的实验研究。构建非结构化动态支撑环境,实验验证本文所提出的柔顺策略的有效性。
薛泽文[7]（2020）在《下肢康复外骨骼日常生活环境中的可行走区域感知方法研究》文中进行了进一步梳理下肢康复外骨骼作为一种康复医疗设备,能够帮助下肢运动功能障碍人群实现不同场景下的行走。当前的下肢外骨骼机器人仅仅侧重于某些特定任务或者环境,无法满足下肢功能障碍患者穿戴外骨骼“独立安全”地在未知环境下行走的需求。因此,有必要通过环境感知的方式,提高外骨骼对环境所在场景的理解以及对环境几何参数的辨识,以实现在不确定环境下人机能够协作行走。本文主要研究外骨骼在日常生活环境中可行走区域的感知方法,论文的主要工作内容如下:针对外骨骼在日常生活环境下的可行走区域,本文以步态类别将可行域划分为平地、斜坡、楼梯和障碍四种行走场景。每种场景包括影响行走的因素与具体指标,结合外骨骼、无障碍道路设计以及使用者三者的信息,获得每种场景下可行的具体指标参数,然后基于RGB-D相机设计了一套针对外骨骼的行走域感知系统:（1）针对外骨骼行走场景的识别,本文提出了基于深度学习语义分割的场景识别方法。首先通过Laplacian算子以及相机位姿剔除模糊且语义信息偏少的图像;然后通过语义分割网络实现图像像素级的语义分类;最后,将分割结果中的语义映射为场景类别,通过深度数据划分行走感知区域,使用轮廓检测算法判断感知区域的场景类别。实验中选择PSPNet、UPerNet以及MobileNetV2作为分割网络,训练集基于ADE20K。结果表明,三种网络对大部分场景有高于80%的正确识别率,在小范围移动中仅楼梯识别效果较差,会因为位姿和环境影响楼梯分割结果。（2）针对外骨骼行走过程中环境几何参数的识别,本文提出了基于相机深度数据的环境参数识别方法。为减小计算量,将相机深度数据转化为点云后,以点云的深度与高度数据建立二值图。通过边缘检测方式获取环境的几何边缘信息,然后提取含有更多高度信息的上边缘轮廓,利用改进的RANSAC算法提取线性特征,针对不同场景以不同策略估计其环境参数。实验中,用已知参数的模板验证斜坡、楼梯、可跨障碍三种场景的识别精度,除障碍物的侧面宽度因为视角遮挡而无法准确预估,其余估计值误差在数厘米范围内。实验中还与RANSAC和概率霍夫变换算法进行了对比,结果表明本文的特征提取方法能同时保证速度和结果准确性。本论文设计的行走域感知方法,最后在离线环境下验证了整体方案在室外及楼梯区域内行走时的有效性。通过感知系统传递的场景类型以及环境的几何参数,丰富了外骨骼原本缺乏的环境信息,能有效的提高行走时的决策判断以及安全性。
谢心如[8]（2020）在《智能机器人目标抓取关键技术研究》文中认为随着越来越多地智能机器人应用于各个领域,抓取操作作为机器人领域中的研究热点,实现机器人的智能抓取对机器人的快速发展和商业落地具有十分重要的意义。目前机器人抓取研究距离实现真正的智能化还有一定的差距,主要存在三个问题:（1）机器人抓取物体前需要建立精确的系统模型,很多研究中忽略了机器人本身的定位误差,导致机器人抓取物体时的实际位置与期望位置出现偏差;（2）传统的机器人目标抓取方法需要抓取物体的精确几何模型信息,无法用于非结构化的真实场景,在多种未知场景中自主检测、搜索并抓取目标物体是目前智能机器人抓取操作面临的最大难题;（3）由于指尖触觉/力传感器的成本及灵敏度的限制,目前许多机械手不具备灵敏的触觉/力感知能力,而在现实环境中存在的许多物体对抓取力的要求非常高,特别是柔软物体和易碎物体,抓取力过大将损坏抓取物体。为了使智能机器人精确、自主、安全的抓取非结构化环境中的物体,并广泛增加可抓取的物体类型,针对以上三个问题,本文对智能机器人目标抓取的三个关键技术进行了系统的研究,包括:机器人运动学及视觉系统标定方法、基于视觉感知的智能机器人目标检测及抓取方法和基于触觉感知的机械手柔顺抓取控制方法。首先,为了提高智能机器人抓取物体时的末端定位精度,提出了一种低成本易操作的基于直线虚拟约束的机械臂运动学标定方法。利用改进的DH方法建立了机械臂的运动学模型,在基于改进DH方法的误差模型的基础上建立了基于直线约束的运动学误差模型,利用基于图像的视觉控制方法实现了标定位姿的自动对齐。设计了机械臂运动学标定实验系统,机械臂运动学标定实验结果表明该算法有效地提高了机械臂的末端定位精度。此外,研究并实现了机器人视觉系统的建模及标定方法,包括相机建模及标定、“眼在手外”系统标定和“眼在手上”系统标定,得到了精确的机器人视觉系统模型及关系矩阵。其次,为了使智能机器人在非结构化的真实场景中自主检测并抓取目标物体,设计了基于视觉的智能机器人物体抓取系统,研究了基于RGB图像的物体检测算法,实现了对相机采集的RGB数据流的实时检测。研究并实现了深度图像和RGB图像的配准及深度图像修复方法,提高了深度信息的准确性。此外,提出了一种基于检测约束的无旋转目标抓取算法,设计抓取位姿估计算法,直接根据物体检测结果估计目标物体的抓取位姿,在非结构化的真实场景中成功实现了多种类型的目标物体的检测及抓取操作。再次,针对未知场景中目标物体可能被部分或完全遮挡的问题,需要机器人既能检测和抓取目标物体,也要能够抓取或移除无法识别的可抓取物体。本文提出了一种考虑旋转的目标检测及抓取方法:通过两点式对抓取进行表示,考虑了机械手的旋转角度;研究了基于卷积神经网络的抓取位姿生成算法,对输入的深度图像快速有效地生成抓取位姿;设计了未知场景中的目标检测及抓取算法结构。机器人目标抓取实验结果表明,该算法能够有效地在多种未知场景中搜索并抓取目标物体,并且与基于检测约束的无旋转目标抓取算法相比,进一步提高了目标抓取的成功率。最后,为了实现智能机器人对不同特性的物体安全稳定的抓取操作,避免抓取操作对物体的损坏,特别是柔软物体和易碎物体,设计了一种基于水凝胶材料的新型柔性电子皮肤式触觉传感器,该传感器具有灵敏的力感知能力,且成本较低、方便使用,可以直接穿戴在机器人上感知机器人与环境的接触信息。研究了基于触觉传感器的机械手柔顺抓取算法,在机械手抓取物体时控制抓取力。将触觉传感器集成在只能进行位置控制的Kinova KG-3机械手上,进行了基于触觉感知的机械手柔顺抓取控制实验,赋予了机械手抓取柔软易碎物体的能力,成功实现了对葡萄、豆腐、鹌鹑蛋、薯片等易碎易损坏物体安全的抓取操作。
朴金宁[9]（2020）在《基于激光雷达空气净化导航机器人的研究与设计》文中提出随着科技的不断发展和智慧家居的更高要求,人们对生活环境的质量越来越重视,而传统的固定式空气净化装置由于检测方式单一、检测范围固定,已经不能满足人们对现代智能化生活的需求。因此,本文设计了一种会走会思考的空气净化服务机器人,实现全屋循环移动净化,提升整体净化效率。本文采用理论分析与实验验证相结合的方式进行研究。首先,基于激光雷达传感器的粒子束信息,采用自适应局部重采样的RBPF-SLAM（RaoBlackwellized Particle Filters-the simultaneous localization and Mapping,RBPFSLAM）算法,实现机器人在室内环境中的建图和机器人定位,克服传统RBPF-SLAM算法存在的粒子退化和粒子多样性较差等问题,缩短建图所需时间,实现快速和精准的环境地图构建,同时降低了机器人位姿估计误差,提高了机器人自主导航的精度。其次,设计空气质量参数检测和空气净化的软硬件系统,实现对空气中粉尘、有害气体等参数的实时监测,配合移动式机器人实现对空气质量参数的多点检测和空气净化,完成可移动式机器人远程监控系统的开发,实现对室内空气质量参数和空气净化的远程监测,增强人机交互能力,提高室内整体空气净化的效率。最后,通过搭建系统测试环境,实现对移动式空气净化机器人的部分性能测试。测试结果表明:改进后的RBPF-SLAM算法具有较好的定位精度和快速构建地图能力,与传统算法对比,其导航位姿偏离误差降低了近39.9%,导航时间缩短近7%;通过进行最高浓度路径子函数的设计,实现局部区域的快速净化方案,验证了系统的可行性。
娄雪岩[10]（2019）在《基于机器学习的RSSI室内环境感知与定位技术研究》文中研究指明近年来,人工智能和物联网技术发展迅猛,一些新型移动设备的出现,刺激了基于位置感知服务的激增,室内无线定位技术逐渐成为人们关注的重点。因此,如何在动态的室内定位环境中实现具有自适应性、普适性、高精度性的室内定位技术是当前研究的主要内容。现有的基于接收信号指示强度（Received Signal Strength Indicator,RSSI）的室内定位技术具有设备简单,数据采集方便的优点,同时机器学习具有学习能力,可以通过采集样本数据训练网络,为网络加入预测功能,并且通过采集不同环境下的训练数据集,使网络能够适应不同的环境。综合以上思路,研究这两种技术相结合的室内定位技术,使其具备学习和适应不同定位环境的能力,以达到高精度的定位效果,有着重要的现实意义。首先,本文介绍了现阶段室内定位技术和机器学习的相关基础知识以及室内定位技术在各领域的应用潜能,分析了现阶段室内定位技术面临的难点问题,主要针对室内定位环境的自适应和测距定位算法两项关键技术展开研究。其次,分析了现有的基于RSSI测距和基于机器学习的室内定位技术的优缺点,提出本文的研究目标。现有的基于RSSI测距的室内定位技术通常采用对数路径损耗模型,该模型涉及两个环境参数,利用锚节点之间的相互通信,能够实现静态室内定位环境中环境参数的实时修正,并且利用提前部署的锚节点,可以快速生成电子地图。但是在由人员状态改变引起室内定位环境动态变化的场景中,该方法很难做到实时更新。针对该问题本文提出了一种基于聚类的室内人员活动感知与检测算法,该算法利用聚类技术,将环境中采集的不同人员状态下的RSSI值和相应的方差值进行聚类,得到每一种人员状态下RSSI值和方差值的阈值,在实际定位中应用阈值进行分类,实现了动态室内定位环境中人员状态的检测,减小了人员因素的影响,并且为后续依据人员状态选择测距定位模型提供了基础。最后,针对室内测距定位算法,指出了现有技术存在精度不高,不能随着人员状态调整自身模型的问题,提出了联合自适应增强策略的室内测距定位算法。该算法首先采集人员静止和移动两种状态下的数据对网络进行训练,经过多次迭代得到不同人员状态下的测距定位模型,并结合基于聚类的人员活动感知与检测算法检测人员状态,提升了距离的转换精度,实现了根据人员状态选择测距定位模型的策略。与现有的算法相比,所提算法能够适应不同的定位环境,并且精度更高,实现了定位系统的自适应性、普适性、高精度性。
二、利用机器运动参数和人操作特征估计环境参数（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、利用机器运动参数和人操作特征估计环境参数（论文提纲范文）
（1）基于多源参数的驾驶行为模式识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内研究现状 |
| 1.3 国外研究现状 |
| 1.4 研究评述 |
| 1.5 主要研究内容与技术路线 |
| 1.5.1 技术难题 |
| 1.5.2 主要研究内容 |
| 1.5.3 技术路线 |
| 第二章 实车试验及数据采集 |
| 2.1 试验目的及方法 |
| 2.2 实车试验 |
| 2.2.1 试验驾驶人选择 |
| 2.2.2 试验条件 |
| 2.2.3 试验路段 |
| 2.3 驾驶行为模式 |
| 2.4 实验数据统计与分析 |
| 2.4.1 左换道与右换道样本划分依据 |
| 2.4.2 跟驰与自由驾驶样本划分依据 |
| 2.5 本章小结 |
| 第三章 车辆运动与行驶环境特征参数分析 |
| 3.1 数据预处理 |
| 3.2 驾驶行为表征参数选取 |
| 3.2.1 主成分分析 |
| 3.2.2 特征参数选取 |
| 3.3 车辆运动和行驶环境特征参数统计分析 |
| 3.3.1 车道线距离 |
| 3.3.2 相对距离 |
| 3.3.3 速度参数 |
| 3.3.4 转向角参数 |
| 3.3.5 横向偏移参数 |
| 3.3.6 转向灯开启统计分析 |
| 3.4 基于时间序列的特征参数分析 |
| 3.4.1 车道线距离参数特性 |
| 3.4.2 车速特性 |
| 3.4.3 相对距离特性 |
| 3.4.4 横摆角速度与横向加速度特性 |
| 3.4.5 方向盘转角与转向角速度特性 |
| 3.5 本章小结 |
| 第四章 高速工况下驾驶人视觉特性分析 |
| 4.1 数据预处理 |
| 4.2 注视 |
| 4.2.1 平均注视时间 |
| 4.2.2 注视点分布区域 |
| 4.2.3 注视角度 |
| 4.3 扫视幅度 |
| 4.4 眨眼频率 |
| 4.5 本章小结 |
| 第五章 基于多源参数的驾驶行为模式识别方法研究 |
| 5.1 基于随机森林决策树的驾驶行为模式识别 |
| 5.1.1 决策树分类器算法 |
| 5.1.2 随机森林决策树分类器 |
| 5.1.3 随机森林算法 |
| 5.1.4 随机森林决策树的建立 |
| 5.1.5 CART+RF模型识别结果分析 |
| 5.1.6 ROC曲线评价结果分析 |
| 5.2 基于支持向量机的驾驶行为模式识别 |
| 5.2.1 支持向量机模型 |
| 5.2.2 SVM算法 |
| 5.2.3 RBF+SVM模型识别结果分析 |
| 5.2.4 ROC曲线评价结果分析 |
| 5.3 驾驶行为模式识别方法评价 |
| 5.4 基于MLP神经网络的随机森林优化模型 |
| 5.4.1 MLP神经网络模型 |
| 5.4.2 基于MLP的随机森林优化模型建立 |
| 5.4.3 ROC曲线评价结果分析 |
| 5.4.4 三类模型识别结果分析与评价 |
| 5.5 基于时间序列的模型识别评价 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 研究不足与展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文及学术成果 |
（2）基于机器学习的养老机构室内环境质量评价模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关研究 |
| 1.2.1 室内环境质量发展及研究现状 |
| 1.2.2 室内环境质量评价模型发展及研究现状 |
| 1.2.3 机器学习发展及研究现状 |
| 1.3 研究目的与意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究方法与内容 |
| 1.4.1 研究方法 |
| 1.4.2 研究内容 |
| 1.4.3 研究框架 |
| 1.5 本章小结 |
| 第2章 养老机构室内环境质量评价的理论基础 |
| 2.1 环境心理学 |
| 2.1.1 环境心理学概述 |
| 2.1.2 环境心理学发展历程 |
| 2.1.3 适应水平理论 |
| 2.2 建筑环境学 |
| 2.3 室内环境质量评价指标 |
| 2.4 本章小结 |
| 第3章 研究方法及调查样本概述 |
| 3.1 调查对象及主体 |
| 3.1.1 调查对象概况 |
| 3.1.2 调查主体基本情况 |
| 3.2 调查方法 |
| 3.2.1 问卷调查 |
| 3.2.2 无线传感器网络技术 |
| 3.3 逻辑回归算法 |
| 3.3.1 逻辑回归算法概述 |
| 3.3.2 逻辑回归算法基本原理 |
| 3.4 本章小结 |
| 第4章 合肥市养老机构室内环境质量调查结果分析 |
| 4.1 室内环境参数统计分析 |
| 4.1.1 室内热环境 |
| 4.1.2 室内空气品质 |
| 4.1.3 室内光环境 |
| 4.1.4 室内声环境 |
| 4.2 室内环境质量满意度统计分析 |
| 4.2.1 不同环境参数满意度统计 |
| 4.2.2 不同楼层环境参数满意度统计 |
| 4.2.3 不同性别受访者对环境参数满意度统计 |
| 4.3 室内环境参数回归分析 |
| 4.3.1 室内温度 |
| 4.3.2 相对湿度 |
| 4.3.3 空气品质 |
| 4.3.4 光环境 |
| 4.3.5 声环境 |
| 4.4 本章小结 |
| 第5章 室内环境质量接受度评价模型的建立 |
| 5.1 室内环境质量接受度评价模型的建立 |
| 5.1.1 基于问卷数据模型的建立 |
| 5.1.2 基于实测数据模型的建立 |
| 5.2 数据预处理 |
| 5.2.1 数据集成 |
| 5.2.2 数据清洗 |
| 5.2.3 归一化处理 |
| 5.2.4 数据集划分 |
| 5.3 本章小结 |
| 第6章 室内环境质量接受度评价模型结果分析 |
| 6.1 室内环境质量接受度统计分析 |
| 6.2 模型的评估方法 |
| 6.3 基于问卷数据的模型结果分析 |
| 6.3.1 学习率的确定 |
| 6.3.2 结果分析 |
| 6.3.3 不同性别对模型的影响分析 |
| 6.4 基于实测数据的模型结果分析 |
| 6.4.1 学习率的确定 |
| 6.4.2 结果分析 |
| 6.4.3 不同性别对模型的影响分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 课题展望 |
| 参考文献 |
| 附录1 老年室内环境舒适度调查问卷 |
| 攻读硕士学位期间的学术活动及成果情况 |
（3）基于运动基元的机器人示范学习及应用研究（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 相关技术研究综述 |
| 1.2.1 操作任务模仿学习 |
| 1.2.2. 自主操作任务的运动轨迹模仿学习 |
| 1.2.3 人机交互任务的运动轨迹学习与预测 |
| 1.3 存在问题与难点 |
| 1.4 论文研究内容 |
| 1.5 论文章节安排 |
| 第二章 服务机器人层次化示范学习系统设计 |
| 2.1 示范学习层次化系统介绍 |
| 2.1.1. 系统整体介绍 |
| 2.1.2 系统任务设计 |
| 2.1.3 系统需求分析 |
| 2.2 系统总体框架设计 |
| 2.2.1 系统功能模块 |
| 2.2.2 系统硬件平台 |
| 2.2.3 系统软件资源 |
| 2.3 本章小结 |
| 第三章 基于动态运动基元的自主动作学习与泛化 |
| 3.1 示教轨迹采集与预处理 |
| 3.1.1 示教轨迹采集 |
| 3.1.2 示教轨迹预处理 |
| 3.2 动态运动基元及其参数化学习 |
| 3.2.1 动态运动基元原理 |
| 3.2.2 动态运动基元参数化学习 |
| 3.3 实验与分析 |
| 3.3.1 自主动作基元学习方法分析 |
| 3.3.2 动态运动基元学习仿真分析 |
| 3.3.3 动态运动基元参数化学习仿真分析 |
| 3.4 本章小结 |
| 第四章 基于交互概率运动基元的人机交互动作学习 |
| 4.1 概率运动基元单自由度建模原理 |
| 4.2 协调人机的交互概率运动基元分析 |
| 4.2.1 交互概率运动基元预测人机轨迹原理 |
| 4.2.2 扩展的相位估计策略 |
| 4.2.3 基于贝叶斯的示范动作类别识别 |
| 4.3 环境自适应交互概率运动基元设计 |
| 4.3.1 环境自适应交互概率运动基元模型构建 |
| 4.3.2 单轴等间距插值相位估计 |
| 4.4 实验与分析 |
| 4.4.1 交互概率运动基元性能分析 |
| 4.4.2 环境自适应交互概率运动基元性能分析 |
| 4.5 本章小结 |
| 第五章 层次化示范学习系统功能开发与整体实验 |
| 5.1 软件整体设计 |
| 5.2 系统功能模块开发 |
| 5.2.1 示教轨迹采集与预处理功能模块开发 |
| 5.2.2 动作基元学习与泛化模块开发 |
| 5.2.3 实际操作任务复现功能软件开发 |
| 5.3 两种模式下机器人任务复现实验 |
| 5.3.1 自主行为复现模式任务复现 |
| 5.3.2 交互协作复现模式任务复现 |
| 5.4 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 |
| 作者在攻读硕士学位期间发表的论文和科研成果 |
（4）基于UWB与航迹推算的智能仓储机器人（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 仓储机器人研究现状 |
| 1.2.2 室内定位发展现状 |
| 1.3 本文主要研究内容 |
| 第2章 仓储环境监测平台与机器人的设计与构建 |
| 2.1 仓储环境监测平台的设计与构建 |
| 2.1.1 仓储环境监测平台设计 |
| 2.1.2 仓储环境监测硬件平台的构建 |
| 2.1.3 仓储环境监测上位系统 |
| 2.2 仓储机器人的设计与搭建 |
| 2.2.1 仓储机器人的本体搭建 |
| 2.2.2 仓储机器人上位平台的搭建 |
| 2.3 本章小结 |
| 第3章 UWB与航迹推算定位系统的研究 |
| 3.1 超宽带定位系统 |
| 3.1.1 超宽带的特点 |
| 3.1.2 定位原理与算法 |
| 3.1.3 基于TOA的三边定位法 |
| 3.2 航迹推算定位系统 |
| 3.2.1 编码器与IMU |
| 3.2.2 运动学模型 |
| 3.2.3 坐标系及其转换 |
| 3.3 本章小结 |
| 第4章 基于UWB与航迹推算定位算法的改进与融合 |
| 4.1 航迹推算与UWB融合方式 |
| 4.2 IMU与里程计的EKF融合 |
| 4.3 基于TOA的UWB位姿解算改进 |
| 4.3.1 非视距加权改进 |
| 4.3.2 基于TOA定位算法的加权改进 |
| 4.3.3 双标签约束位姿解算 |
| 4.4 UWB和航迹推算的卡尔曼融合 |
| 4.5 本章小结 |
| 第5章 基于UWB与航迹推算融合算法的实验与分析 |
| 5.1 模拟仓储环境的构建 |
| 5.2 定位性能评价指标 |
| 5.2.1 均方根误差 |
| 5.2.2 累积分布函数 |
| 5.3 融合算法静态定位性能实验与分析 |
| 5.3.1 视距下性能分析 |
| 5.3.2 非视距下性能与分析 |
| 5.4 融合算法动态定位性能实验与分析 |
| 5.4.1 视距下性能分析 |
| 5.4.2 非视距性能分析 |
| 5.5 智能仓储机器人自主送检实验 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于改进随机森林的老年人热舒适预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 老龄化 |
| 1.1.2 养老建筑室内热环境 |
| 1.2 老年人热舒适研究现状 |
| 1.2.1 国外老年人热舒适研究现状 |
| 1.2.2 国内老年人热舒适研究现状 |
| 1.3 热舒适模型 |
| 1.3.1 PMV-PPD热舒适评价方法 |
| 1.3.2 国外机器学习在热舒适领域应用的研究现状 |
| 1.3.3 国内机器学习在热舒适领域应用的研究现状 |
| 1.4 研究的内容、目的和意义 |
| 1.4.1 研究内容 |
| 1.4.2 研究目的 |
| 1.4.3 研究意义 |
| 1.5 研究的方法及框架 |
| 1.5.1 研究方法 |
| 1.5.2 论文结构框架 |
| 第二章 随机森林算法 |
| 2.1 随机森林分类器——决策树 |
| 2.1.1 决策树原理 |
| 2.1.2 决策树算法 |
| 2.1.3 决策树的优缺点 |
| 2.2 随机森林算法 |
| 2.2.1 随机森林原理 |
| 2.2.2 随机森林构建过程 |
| 2.2.3 随机森林性质 |
| 2.2.4 袋外估计 |
| 2.2.5 随机森林随机性分析 |
| 2.2.6 随机森林特征重要性评估 |
| 2.2.7 随机森林算法的优点 |
| 第三章 改进的随机森林算法 |
| 3.1 节点分裂算法的改进 |
| 3.1.1 不同节点分裂算法的比较 |
| 3.1.2 节点混合分裂算法 |
| 3.2 随机森林加权投票 |
| 3.2.1 随机森林算法投票方式弊端 |
| 3.2.2 随机森林投票策略的改进 |
| 3.3 基于改进随机森林的老年人热舒适理论模型 |
| 3.3.1 确定老年人热舒适影响因素 |
| 3.3.2 构建特征数据集 |
| 3.3.3 确定算法适用性权重β_1和β_2 |
| 3.3.4 构建老年人热舒适预测模型 |
| 3.3.5 基于改进随机森林的老年人热舒适预测模型详细步骤 |
| 3.4 本章小结 |
| 第四章 杭州地区养老建筑老年人热舒适性研究 |
| 4.1 老年人的特征 |
| 4.1.1 老年人的界定 |
| 4.1.2 老年人的生理特征 |
| 4.1.3 老年人的心理特征 |
| 4.2 热舒适 |
| 4.2.1 热舒适的概念辨析 |
| 4.2.2 热舒适的主要影响因素 |
| 4.3 杭州地区养老建筑热舒适调查 |
| 4.3.1 杭州地区气候特征 |
| 4.3.2 调查对象 |
| 4.3.3 环境参数测试设计 |
| 4.3.4 调查问卷设计 |
| 4.4 测试与结果统计分析 |
| 4.4.1 测试建筑概况 |
| 4.4.2 受试者情况统计分析 |
| 4.4.3 环境参数测试统计分析 |
| 4.4.4 室内热环境的主观评价 |
| 4.5 小结 |
| 第五章 基于改进随机森林算法的老年人热舒适预测仿真研究 |
| 5.1 老年人热舒适相关数据处理 |
| 5.1.1 数据来源 |
| 5.1.2 数据预处理 |
| 5.1.3 类不平衡处理 |
| 5.2 构建基于改进随机森林算法的老年人热舒适预测模型 |
| 5.2.1 指标体系的确定 |
| 5.2.2 确定C4.5算法和CART算法适用性权重β_1和β_2 |
| 5.2.3 模型参数确定 |
| 5.2.4 模型的检验与评估 |
| 5.3 模型预测结果与分析 |
| 5.3.1 老年人热舒适模型预测结果分析 |
| 5.3.2 模型性能讨论 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 参与的科研项目 |
| 3 攻读硕士学位期间发表的学术论文 |
| 学位论文数据集 |
（6）非结构化动态环境中机器人接触交互柔顺控制策略与实验研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柔顺控制 |
| 1.2.2 经典控制融合的阻抗控制 |
| 1.2.3 智能控制融合的阻抗控制 |
| 1.2.4 环境感知 |
| 1.2.5 接触过渡控制 |
| 1.3 论文研究工作及创新点 |
| 2 机器人接触建模及柔顺控制框架研究 |
| 2.1 引言 |
| 2.2 机器人动力学及控制 |
| 2.2.1 机器人动力学分析 |
| 2.2.2 机器人动力学控制 |
| 2.3 机器人接触建模及柔顺控制 |
| 2.3.1 接触过程模型 |
| 2.3.2 基于动力学的阻抗控制 |
| 2.3.3 基于位置的阻抗控制 |
| 2.3.4 混合控制 |
| 2.4 机器人交互柔顺控制框架研究 |
| 2.5 本章小结 |
| 3 基于动态更新速率的自适应阻抗控制研究 |
| 3.1 引言 |
| 3.2 问题描述和控制目标 |
| 3.3 经典柔顺控制策略 |
| 3.3.1 混合阻抗控制 |
| 3.3.2 自适应混合阻抗控制 |
| 3.3.3 控制性能分析 |
| 3.4 基于动态更新速率的自适应混合阻抗控制器设计 |
| 3.4.1 动态更新率设计 |
| 3.4.2 权重参数设计 |
| 3.4.3 稳定性和边界分析 |
| 3.4.4 控制器算法实施 |
| 3.5 仿真研究 |
| 3.5.1 仿真参数设置 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 4 基于PID和分数阶的平滑自适应阻抗控制研究 |
| 4.1 引言 |
| 4.2 控制目标 |
| 4.3 基于PID的平滑自适应阻抗控制器设计 |
| 4.3.1 前置PID控制器设计 |
| 4.3.2 稳定性和边界分析 |
| 4.4 基于分数阶的平滑自适应阻抗控制器设计 |
| 4.4.1 自适应分数阶阻抗控制器设计 |
| 4.4.2 分数阶计算 |
| 4.4.3 前置PID分数阶阻抗控制器设计 |
| 4.4.4 模糊逻辑控制器设计 |
| 4.4.5 稳定性及边界分析 |
| 4.5 控制效果分析 |
| 4.6 仿真研究 |
| 4.6.1 基于PID的平滑自适应整数阶阻抗控制仿真结果 |
| 4.6.2 基于PID的平滑自适应分数阶阻抗控制仿真结果 |
| 4.6.3 分数阶阻抗控制振动抑制分析 |
| 4.7 本章小结 |
| 5 基于传感-执行模式的自适应切换阻抗控制研究 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 基于传感-执行模式的自适应切换控制策略 |
| 5.4 环境自感应装置、信号电路和估计算法设计 |
| 5.4.1 自感应测量装置设计 |
| 5.4.2 桥接信号电路设计 |
| 5.4.3 估计算法设计 |
| 5.5 混合控制器设计 |
| 5.5.1 精度/鲁棒性问题 |
| 5.5.2 混合控制器设计 |
| 5.5.3 稳定性分析 |
| 5.6 缓和控制器设计 |
| 5.6.1 接触缓和策略 |
| 5.6.2 稳定性分析 |
| 5.7 仿真研究 |
| 5.7.1 仿真参数设置 |
| 5.7.2 自适应切换控制仿真结果 |
| 5.7.3 自适应信号提取仿真 |
| 5.8 本章小结 |
| 6 机器人接触交互柔顺控制实验研究 |
| 6.1 引言 |
| 6.2 机器人控制实验平台 |
| 6.3 机器人接触力控制实验结果 |
| 6.3.1 基于动态更新速率的自适应阻抗控制实验结果 |
| 6.3.2 基于PID的平滑自适应阻抗控制实验结果 |
| 6.4 本章小结 |
| 7 结论和展望 |
| 7.1 全文总结 |
| 7.2 展望及后续工作 |
| 参考文献 |
| 附录 |
| A.机器人运动控制系统程序代码 |
| B.作者在攻读学位期间发表的论文目录 |
| C.作者在攻读博士学位期间参与研究的课题目录 |
| D.学位论文数据集 |
| 致谢 |
（7）下肢康复外骨骼日常生活环境中的可行走区域感知方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及来源 |
| 1.2 下肢康复外骨骼研究现状 |
| 1.2.1 下肢康复外骨骼国外研究现状 |
| 1.2.2 下肢康复外骨骼国内研究现状 |
| 1.3 可通行区域感知研究现状 |
| 1.3.1 路面类型识别方法 |
| 1.3.2 可通行区域感知方法 |
| 1.3.3 机器人环境感知应用现状 |
| 1.4 论文研究目标及主要内容 |
| 1.5 本论文的结构安排 |
| 第二章 下肢康复外骨骼的可行走区域系统 |
| 2.1 引言 |
| 2.2 可行走区域的定义 |
| 2.3 可行走区域的参数指标 |
| 2.3.1 下肢康复外骨骼步态参数 |
| 2.3.2 建筑与城市道路设计标准 |
| 2.3.3 使用者影响 |
| 2.3.4 可行走区域环境参数指标 |
| 2.4 可行走区域系统感知平台 |
| 2.4.1 感知系统设计框架 |
| 2.4.2 下肢康复外骨骼系统 |
| 2.4.3 传感平台 |
| 2.4.4 计算机端软件环境 |
| 2.5 本章小结 |
| 第三章 基于语义分割的行走区域场景识别 |
| 3.1 引言 |
| 3.2 卷积神经网络概述 |
| 3.2.1 卷积神经网络基础 |
| 3.2.2 卷积神经网络模型 |
| 3.3 语义分割概述 |
| 3.3.1 语义分割模型 |
| 3.3.2 语义分割相关算法 |
| 3.4 基于语义分割的行走场景识别算法 |
| 3.4.1 总体流程 |
| 3.4.2 图像预处理 |
| 3.4.3 语义分割网络模型以及训练集 |
| 3.4.4 行走场景识别 |
| 3.5 本章小结 |
| 第四章 可行走区域的环境参数识别 |
| 4.1 引言 |
| 4.2 深度数据点云化处理 |
| 4.2.1 坐标转换 |
| 4.2.2 点云去噪 |
| 4.2.3 点云降采样 |
| 4.3 点云数据二值化处理 |
| 4.3.1 生成二值图 |
| 4.3.2 形态学处理 |
| 4.3.3 边缘检测 |
| 4.4 环境参数估计 |
| 4.4.1 上边缘轮廓提取 |
| 4.4.2 环境特征提取 |
| 4.4.3 行走场景参数估计 |
| 4.5 本章小结 |
| 第五章 可行走区域感知方法验证实验 |
| 5.1 引言 |
| 5.2 场景识别验证实验 |
| 5.2.1 实验结果 |
| 5.2.2 结果分析 |
| 5.3 环境参数识别验证实验 |
| 5.3.1 实验结果 |
| 5.3.2 结果分析 |
| 5.3.3 特征提取方法对比实验 |
| 5.4 行走区域感知系统动态场景离线测试实验 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 本文研究总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）智能机器人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 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械臂运动学标定研究现状 |
| 1.2.2 基于视觉感知的机器人目标抓取研究现状 |
| 1.2.3 触觉传感器研究现状 |
| 1.2.4 机械手柔顺抓取控制研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 机器人运动学及视觉系统标定方法研究 |
| 2.1 机械臂运动学建模及标定方法 |
| 2.1.1 基于改进DH方法的机械臂运动学建模方法 |
| 2.1.2 基于直线约束的机械臂运动学标定方法概述 |
| 2.1.3 基于直线约束的运动学标定模型 |
| 2.1.4 机械臂初始标定位姿生成 |
| 2.1.5 基于视觉控制的特征点对齐算法 |
| 2.1.6 运动学参数辨识算法 |
| 2.2 机械臂运动学参数标定实验 |
| 2.3 机器人视觉系统模型及标定算法 |
| 2.3.1 相机模型 |
| 2.3.2 相机标定算法 |
| 2.3.3 手眼标定算法 |
| 2.4 机器人视觉系统标定实验 |
| 2.4.1 深度相机标定试验 |
| 2.4.2 “眼在手外”标定实验 |
| 2.4.3 “眼在手上”标定实验 |
| 2.5 本章小结 |
| 第3章 基于检测约束的智能机器人目标抓取算法研究 |
| 3.1 基于视觉的智能机器人抓取系统构建 |
| 3.1.1 基于视觉的智能机器人抓取硬件系统 |
| 3.1.2 基于视觉的智能机器人抓取软件系统 |
| 3.2 基于RGB图像的物体实时检测算法研究 |
| 3.2.1 卷积神经网络 |
| 3.2.2 YOLOv3检测算法 |
| 3.2.3 基于RGB图像的物体实时检测 |
| 3.3 深度相机的图像处理算法 |
| 3.3.1 深度信息测量原理 |
| 3.3.2 图像匹配算法 |
| 3.3.3 深度信息修复 |
| 3.4 基于检测约束的无旋转目标抓取算法 |
| 3.4.1 基于检测约束的无旋转目标抓取算法结构 |
| 3.4.2 物体边界框矫正 |
| 3.4.3 基于检测约束的无旋转抓取位姿估计 |
| 3.4.4 机器人操作空间中的抓取位姿估计 |
| 3.5 基于检测约束的无旋转目标抓取实验 |
| 3.5.1 实验平台及场景 |
| 3.5.2 基于检测约束的无旋转目标抓取实验过程 |
| 3.5.3 基于检测约束的无旋转目标抓取实验结果及分析 |
| 3.6 本章小结 |
| 第4章 考虑旋转的目标搜索及抓取算法研究 |
| 4.1 未知场景中目标检测及抓取问题分析 |
| 4.2 考虑旋转的目标检测及抓取算法 |
| 4.2.1 两点式抓取表示法 |
| 4.2.2 图像抓取位姿生成 |
| 4.2.3 考虑旋转的目标检测及抓取算法 |
| 4.3 考虑旋转的目标检测及抓取实验 |
| 4.3.1 实验平台及场景 |
| 4.3.2 考虑旋转的目标检测及抓取实验过程 |
| 4.3.3 考虑旋转的目标检测及抓取实验结果及分析 |
| 4.4 本章小结 |
| 第5章 基于触觉感知的机械手柔顺抓取控制算法研究 |
| 5.1 机械手触觉感知与柔顺抓取概述 |
| 5.2 基于水凝胶材料的柔性电子皮肤式触觉传感器 |
| 5.2.1 超分子聚合物水凝胶材料 |
| 5.2.2 基于水凝胶材料的柔性电子皮肤式触觉传感器设计及其特性分析 |
| 5.3 基于自适应阻抗控制的机械手柔顺抓取控制算法 |
| 5.3.1 阻抗控制算法 |
| 5.3.2 阻抗控制特性分析 |
| 5.3.3 自适应阻抗控制算法 |
| 5.3.4 自适应阻抗控制仿真实验 |
| 5.4 基于触觉的机械手柔顺抓取控制实验 |
| 5.4.1 实验装置 |
| 5.4.2 基于触觉压力感知的物体柔顺抓取实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）基于激光雷达空气净化导航机器人的研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内可移动式机器人发展现状 |
| 1.2.2 可移动式机器人定位与建图发展现状 |
| 1.2.3 空气净化装置发展现状 |
| 1.3 本文主要研究内容 |
| 第2章 基于激光雷达SLAM技术研究 |
| 2.1 激光雷达 |
| 2.1.1 激光雷达工作原理 |
| 2.1.2 粒子获取及坐标转化 |
| 2.1.3 粒子信息传输机制 |
| 2.2 粒子滤波技术 |
| 2.2.1 传统RBPF-SLAM算法工作流程 |
| 2.2.2 改进RBPF-SLAM算法实现流程 |
| 2.2.3 算法改进前后仿真对比 |
| 2.3 系统总体设计框架 |
| 2.4 本章小结 |
| 第3章 可移动式机器人系统设计 |
| 3.1 硬件部分设计 |
| 3.1.1 最小系统单元设计 |
| 3.1.2 通讯单元设计 |
| 3.1.3 电机驱动单元设计 |
| 3.1.4 位姿单元设计 |
| 3.2 ROS系统配置 |
| 3.3 本章小结 |
| 第4章 空气净化系统设计 |
| 4.1 传感系统设计 |
| 4.1.1 多传感器采集单元设计 |
| 4.1.2 无线通讯单元设计 |
| 4.2 净化系统设计 |
| 4.3 无线监控系统设计 |
| 4.4 本章小结 |
| 第5章 系统测试与分析 |
| 5.1 系统测试环境搭建 |
| 5.2 系统测试环境搭建 |
| 5.2.1 可移动式机器人功能测试 |
| 5.2.2 净化功能测试 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术成果 |
| 致谢 |
（10）基于机器学习的RSSI室内环境感知与定位技术研究（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 研究背景及意义 |
| 1.2 国内外研究动态及现状 |
| 1.2.1 室内无线定位技术的发展演进 |
| 1.2.2 引入机器学习的室内定位技术 |
| 1.3 本文创新点及篇章结构 |
| 第二章 RSSI室内无线定位技术理论基础 |
| 2.1 基于RSSI的室内无线定位技术 |
| 2.1.1 基于RSSI的室内无线定位技术分类 |
| 2.1.2 室内无线信号传播模型 |
| 2.1.3 RSSI室内无线定位算法 |
| 2.2 机器学习理论概述 |
| 2.2.1 机器学习的分类 |
| 2.2.2 基于BP神经网络的室内定位技术 |
| 2.3 提出的基于机器学习的RSSI室内定位方案 |
| 2.4 本章小结 |
| 第三章 室内定位环境自适应感知方法与策略 |
| 3.1 静态定位环境自适应感知策略 |
| 3.1.1 RSSI值采集及预处理 |
| 3.1.2 传播模型环境参数自适应策略 |
| 3.2 本文提出的基于聚类的自适应感知 |
| 3.2.1 动态环境检测下的锚节点部署策略 |
| 3.2.2 室内人员活动感知与检测算法 |
| 3.2.3 检测算法在室内定位中的应用 |
| 3.2.4 性能对比分析 |
| 3.3 本章小结 |
| 第四章 基于机器学习的智能室内定位与跟踪 |
| 4.1 经典的PSO-BP室内定位系统 |
| 4.2 联合自适应增强策略的PSO-BP室内定位方案 |
| 4.2.1 本文提出的系统整体方案 |
| 4.2.2 初始训练集的获取 |
| 4.2.3 联合自适应增强策略的PSO-BP室内测距算法 |
| 4.2.4 基于极大似然估计的定位模块 |
| 4.2.5 基于扩展卡尔曼滤波的跟踪算法 |
| 4.3 实验结果与性能分析 |
| 4.3.1 测距结果与性能分析 |
| 4.3.2 定位结果与性能分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、利用机器运动参数和人操作特征估计环境参数（论文参考文献）
- [1]基于多源参数的驾驶行为模式识别方法研究[D]. 张学连. 重庆交通大学, 2021
- [2]基于机器学习的养老机构室内环境质量评价模型研究[D]. 於蓉. 合肥工业大学, 2021
- [3]基于运动基元的机器人示范学习及应用研究[D]. 刘环. 东南大学, 2020(01)
- [4]基于UWB与航迹推算的智能仓储机器人[D]. 贺子洋. 东北电力大学, 2020(01)
- [5]基于改进随机森林的老年人热舒适预测研究[D]. 李洋. 浙江工业大学, 2020(02)
- [6]非结构化动态环境中机器人接触交互柔顺控制策略与实验研究[D]. 曹宏利. 重庆大学, 2020
- [7]下肢康复外骨骼日常生活环境中的可行走区域感知方法研究[D]. 薛泽文. 电子科技大学, 2020(07)
- [8]智能机器人目标抓取关键技术研究[D]. 谢心如. 哈尔滨工程大学, 2020(04)
- [9]基于激光雷达空气净化导航机器人的研究与设计[D]. 朴金宁. 哈尔滨理工大学, 2020(02)
- [10]基于机器学习的RSSI室内环境感知与定位技术研究[D]. 娄雪岩. 西安电子科技大学, 2019(02)