基于學習的無人機感知與規(guī)避

第1章 緒論
1．1 研究背景
1．2 無人機感知規(guī)避系統(tǒng)現(xiàn)狀
1．3 無人機感知規(guī)避技術(shù)現(xiàn)狀
1．4 本書主要研究工作
1．4．1 主要研究內(nèi)容
1．4．2 組織結(jié)構(gòu)
1．4．3 主要創(chuàng)新點
第2章 無人機感知規(guī)避系統(tǒng)框架設(shè)計與分析
2．1 引言
2．2 機器人控制體系結(jié)構(gòu)基礎(chǔ)
2．3 無人機感知規(guī)避框架設(shè)計與要素分析
2．3．1 感知規(guī)避框架設(shè)計
2．3．2 感知規(guī)避框架關(guān)鍵要素分析
2．3．3 感知規(guī)避框架學習機制描述
2．4 無人機感知-規(guī)避狀態(tài)空間表征描述
2．4．1 環(huán)境障礙物狀態(tài)描述
2．4．2 無人機規(guī)避動作描述
2．5 本章小結(jié)
第3章 基于顯著性的空中障礙目標檢測方法
3．1 引言
3．2 視覺注意機制與顯著性檢測
3．3 基于頻域信息的顯著性目標檢測
3．3．1 基于頻域信息的顯著性檢測方法描述
3．3．2 基于頻域信息的顯著性檢測算法設(shè)計
3．4 基于深度學習的顯著性目標檢測
3．4．1 基于卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測方法描述
3．4．2 基于卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測算法設(shè)計
3．5 空中目標顯著性檢測方法實驗驗證
3．5．1 通用數(shù)據(jù)集算法測試實驗
3．5．2 飛行數(shù)據(jù)集算法測試實驗
3．6 本章小結(jié)
第4章 基于自動編碼理論的近地障礙環(huán)境表征方法
4．1 引言
4．2 基于深度編碼-反編碼結(jié)構(gòu)的環(huán)境重構(gòu)算法
4．2．1 編碼與反編碼結(jié)構(gòu)
4．2．2 深度編碼-反編碼網(wǎng)絡(luò)算法設(shè)計
4．3 基于深度卷積神經(jīng)網(wǎng)絡(luò)的深度距離估計算法
4．3．1 測距方法與尺度空間
4．3．2 深度距離估計卷積神經(jīng)網(wǎng)絡(luò)算法設(shè)計
4．4 復雜近地環(huán)境表征方法實驗驗證
4．4．1 基于深度編碼-反編碼結(jié)構(gòu)的環(huán)境重構(gòu)算法實驗驗證
4．4．2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的深度距離估計算法實驗驗證
4．5 本章小結(jié)
第5章 基于強化學習的無人機規(guī)避決策控制
5．1 引言
5．2 表格型Q學習規(guī)避算法
5．2．1 表格型Q學習原理
5．2．2 表格型Q學習算法設(shè)計
5．3 基于執(zhí)行器一評價器的無人機空中規(guī)避算法
5．3．1 執(zhí)行器一評價器框架描述
5．3．2 基于AC強化學習的無人機規(guī)避映射框架設(shè)計
5．3．3 基于AC強化學習的無人機規(guī)避算法設(shè)計
5．4 基于Deep Q學習與3D Q學習的無人機規(guī)避算法
5．4．1 基于Deep Q學習規(guī)避算法設(shè)計
5．4．2 基于3D Q學習規(guī)避算法設(shè)計
5．5 基于強化學習的無人機規(guī)避決策控制實驗驗證
5．5．1 面向空中背景的無人機規(guī)避算法實驗驗證
5．5．2 面向森林背景的無人機規(guī)避算法驗證
5．6 本章小結(jié)
致謝
參考文獻