基于学习的无人机感知与规避

第1章 绪论
1．1 研究背景
1．2 无人机感知规避系统现状
1．3 无人机感知规避技术现状
1．4 本书主要研究工作
1．4．1 主要研究内容
1．4．2 组织结构
1．4．3 主要创新点
第2章 无人机感知规避系统框架设计与分析
2．1 引言
2．2 机器人控制体系结构基础
2．3 无人机感知规避框架设计与要素分析
2．3．1 感知规避框架设计
2．3．2 感知规避框架关键要素分析
2．3．3 感知规避框架学习机制描述
2．4 无人机感知-规避状态空间表征描述
2．4．1 环境障碍物状态描述
2．4．2 无人机规避动作描述
2．5 本章小结
第3章 基于显著性的空中障碍目标检测方法
3．1 引言
3．2 视觉注意机制与显著性检测
3．3 基于频域信息的显著性目标检测
3．3．1 基于频域信息的显著性检测方法描述
3．3．2 基于频域信息的显著性检测算法设计
3．4 基于深度学习的显著性目标检测
3．4．1 基于卷积神经网络的显著性检测方法描述
3．4．2 基于卷积神经网络的显著性检测算法设计
3．5 空中目标显著性检测方法实验验证
3．5．1 通用数据集算法测试实验
3．5．2 飞行数据集算法测试实验
3．6 本章小结
第4章 基于自动编码理论的近地障碍环境表征方法
4．1 引言
4．2 基于深度编码-反编码结构的环境重构算法
4．2．1 编码与反编码结构
4．2．2 深度编码-反编码网络算法设计
4．3 基于深度卷积神经网络的深度距离估计算法
4．3．1 测距方法与尺度空间
4．3．2 深度距离估计卷积神经网络算法设计
4．4 复杂近地环境表征方法实验验证
4．4．1 基于深度编码-反编码结构的环境重构算法实验验证
4．4．2 基于深度卷积神经网络的深度距离估计算法实验验证
4．5 本章小结
第5章 基于强化学习的无人机规避决策控制
5．1 引言
5．2 表格型Q学习规避算法
5．2．1 表格型Q学习原理
5．2．2 表格型Q学习算法设计
5．3 基于执行器一评价器的无人机空中规避算法
5．3．1 执行器一评价器框架描述
5．3．2 基于AC强化学习的无人机规避映射框架设计
5．3．3 基于AC强化学习的无人机规避算法设计
5．4 基于Deep Q学习与3D Q学习的无人机规避算法
5．4．1 基于Deep Q学习规避算法设计
5．4．2 基于3D Q学习规避算法设计
5．5 基于强化学习的无人机规避决策控制实验验证
5．5．1 面向空中背景的无人机规避算法实验验证
5．5．2 面向森林背景的无人机规避算法验证
5．6 本章小结
致谢
参考文献