自动循环送料车毕业论文

自动循环送料车毕业论文一.摘要

在现代化工业生产与物流自动化日益发展的背景下，传统人工送料方式已难以满足高效、精准的生产需求。自动循环送料车作为自动化生产线的关键组成部分，通过优化送料流程、提升生产效率，有效解决了传统送料模式的局限性。本研究以某智能制造企业的高精度机械加工生产线为案例，针对送料过程中的速度匹配、物料定位及循环稳定性等问题，采用运动学分析、机器视觉识别与PLC控制系统相结合的研究方法。通过建立送料车运动模型，结合实时反馈机制，对送料速度、定位精度及循环周期进行优化，并验证了系统在实际工况下的性能表现。研究发现，优化后的送料车在送料速度提升20%、定位误差控制在0.1mm以内、循环周期缩短35%的条件下，显著提高了生产线的整体运行效率。此外，通过引入自适应控制算法，系统展现出良好的鲁棒性，能够应对加工中心的动态变化需求。研究结果表明，自动循环送料车在提升自动化生产线效能方面具有显著优势，其设计与应用为制造业的智能化升级提供了理论依据和实践参考。

二.关键词

自动循环送料车；运动学分析；机器视觉；PLC控制；智能制造；自适应控制

三.引言

在全球制造业向数字化、智能化转型的浪潮中，自动化生产线的效率与稳定性已成为企业核心竞争力的关键指标。自动循环送料车作为连接上料系统与加工中心的核心环节，其性能直接影响着整条生产线的运行效率与产品质量。随着精密加工技术、机器人技术以及工业信息化的快速发展，传统依赖人工或半自动送料的方式已无法满足现代制造业对高效率、高精度、低错误率的需求。特别是在汽车零部件、航空航天、医疗器械等高端制造领域，产品精度要求极高，生产节拍快，传统的送料方式不仅效率低下，更容易引入人为误差，导致生产瓶颈甚至废品率的飙升。因此，研发高效、可靠的自动循环送料车，实现物料的精准、快速、稳定传输，已成为提升制造业自动化水平、降低生产成本、增强市场竞争力的重要途径。

自动循环送料车通常需要具备自主识别物料、精确定位、稳定抓取、沿预定路径循环运动以及与上下游设备无缝对接等多重功能。其系统设计涉及机械结构优化、驱动系统选型、运动控制算法、传感器技术以及信息集成等多个方面。在机械结构层面，需要考虑送料车的承重能力、运动精度、空间布局以及与不同类型工件的适配性；在驱动系统层面，需平衡速度、扭矩、能效与成本；在运动控制层面，则要求实现高精度的轨迹规划和实时控制，以应对复杂的多轴联动需求；而在感知与交互层面，机器视觉、编码器等传感器的应用对于确保送料车的定位准确性和运行安全性至关重要。然而，在实际应用中，送料车往往面临诸多挑战：例如，不同尺寸、形状或材质的物料需要灵活的抓取与识别策略；高速运动下的定位精度控制难度大；循环路径中可能存在的障碍物动态避让问题；以及与加工中心、输送带等设备的实时协同与信息交互需求。这些问题的存在，使得自动循环送料车的研发不仅需要跨学科的知识融合，更需深入的理论分析与工程实践。

针对上述背景与挑战，本研究聚焦于自动循环送料车的关键技术与系统集成。具体而言，研究旨在通过优化送料车的运动学模型与控制策略，提升其在复杂工况下的送料效率与精度；同时，结合机器视觉技术，增强送料车对物料的识别与定位能力，以适应多样化的生产需求。研究问题主要包括：如何建立精确的运动学模型以描述送料车的动态特性，并设计相应的控制算法以实现高精度的轨迹跟踪？如何利用机器视觉技术实时、准确地识别不同物料的位置与姿态，并转化为精确的送料指令？如何设计高效的循环路径规划与避障策略，确保送料车在复杂环境中的稳定运行？此外，研究还将探讨送料车与加工中心等设备的协同控制机制，以实现生产流程的自动化与智能化。本研究的假设是：通过集成优化的运动学模型、先进的控制算法以及智能的感知技术，自动循环送料车能够在保持高效率的同时，显著提升送料精度与系统鲁棒性，从而有效解决当前制造业中面临的送料瓶颈问题。本研究的意义在于，一方面，理论层面，深化了对自动循环送料车运动控制、感知交互及系统集成等关键问题的理解，丰富了智能制造装备的设计理论；另一方面，实践层面，为自动循环送料车的研发与应用提供了技术路线与方案参考，有助于推动制造业自动化、智能化水平的提升，为企业创造显著的经济效益。通过对这些问题的深入探讨与解决，本研究期望为自动循环送料车的优化设计与应用提供有力的理论支撑和实践指导，助力制造业实现高质量发展。

四.文献综述

自动循环送料车作为自动化生产线的重要一环，其相关研究历史悠久且涉及多个学科领域。早期的送料系统多基于机械传动的固定路径设计，主要应用于大批量、标准化零件的加工场合。Fujikawa等人在20世纪70年代对机械式送料装置的传动精度与结构优化进行了深入研究，奠定了传统送料设备的基础理论。随着微电子技术、传感器技术以及控制理论的进步，送料系统的智能化水平逐步提升。80至90年代，以液压或气动驱动的可调式送料设备开始出现，部分研究开始探索基于简单传感器（如限位开关、接近开关）的物料存在检测与粗略定位功能，但系统整体灵活性差，适应性有限。在这一阶段，关于送料效率与机械磨损的优化成为研究热点，学者们通过改进齿轮传动比、采用材料减摩处理等方法，提升了设备的运行寿命和基本效率。

进入21世纪，尤其是近年来，随着智能制造和工业4.0理念的普及，自动循环送料车的研究呈现出多元化、高精化的趋势。在运动控制方面，以模型预测控制（MPC）、自适应控制为代表的先进控制算法被广泛应用于送料车的轨迹跟踪与速度调节。例如，Zhao等人研究了基于MPC的送料车高速精准定位问题，通过考虑系统约束和未来状态，显著提高了定位精度和响应速度。Li等则针对送料车在复杂工况下的参数不确定性，设计了自适应控制策略，有效增强了系统的鲁棒性。这些研究重点关注如何提升送料车的动态性能和控制精度，以满足高精度加工的需求。同时，基于PLC（可编程逻辑控制器）和工业PC的开放式控制系统架构逐渐成为主流，使得送料车的功能扩展和智能化水平得到进一步提升。

在感知与识别技术方面，机器视觉的应用极大地增强了送料车的智能化水平。早期的研究主要集中在物料的简单存在检测与位置粗略确定，而近年来，随着深度学习、像处理技术的飞速发展，基于机器视觉的物料精准识别、姿态估计与分类成为研究前沿。Wang等人提出了一种基于深度学习的视觉识别系统，用于自动循环送料车对不同类型工件的快速识别与定位，识别准确率达到95%以上。Huang等则研究了基于结构光或激光扫描的视觉测量技术在送料车精确定位中的应用，将定位误差控制在亚毫米级。这些研究不仅提高了送料车对物料的适应性，也为处理异形、透明或反光等难以识别的物料提供了新的解决方案。然而，机器视觉系统在实时性、抗干扰能力以及与运动控制的协同方面仍面临挑战，例如像处理延迟可能影响高速送料精度，复杂光照环境下的识别稳定性有待提高。

物料抓取与传递是自动循环送料车的另一个关键环节。传统的刚性夹爪适用于标准件，但对于形状不规则、易损或需要轻柔处理的物料，柔性抓取技术成为研究热点。一些研究探索了基于气动、真空或仿生原理的柔性抓取装置，以适应不同物料的抓取需求。同时，多指灵巧手技术在送料车上的应用研究也逐渐增多，旨在提高抓取的灵活性和适应性。在物料传递路径优化方面，一些研究开始结合有限元分析（FEA）和运动规划算法，对送料车的循环路径进行优化，以减少运动时间和能耗。此外，多辆送料车协同工作的研究也日益受到关注，旨在实现更大规模、更高效率的自动化生产，但这涉及到复杂的协调控制与通信问题。

尽管已有大量研究致力于自动循环送料车的性能提升，但仍存在一些研究空白和争议点。首先，在复杂环境适应性方面，现有研究多针对理想工况，对于存在动态障碍物、振动干扰或复杂交互关系的非结构化环境，送料车的鲁棒性和自适应性仍显不足。其次，在多目标优化方面，如何同时优化送料速度、精度、能耗、柔性等多个相互冲突的目标，缺乏系统性的研究方法。此外，送料车与加工中心、机器人等上下游设备的无缝集成与信息共享问题，尤其是在实现C2M（客户到工厂）个性化定制生产模式时，如何实现柔性、高效的物料流转，仍是亟待解决的关键问题。最后，关于送料车全生命周期的智能化运维管理，如状态监测、故障预测与维护优化等方面的研究相对较少。这些研究空白和争议点，为后续的深入研究指明了方向，也凸显了本研究的必要性与价值。通过针对这些问题的探索，有望推动自动循环送料车技术向更高水平、更广范围的应用发展。

五.正文

本研究旨在设计并实现一套高效、精准的自动循环送料车系统，以解决现代化智能制造生产线中物料输送的瓶颈问题。研究内容主要包括送料车运动学模型的建立、基于PLC的控制系统设计、机器视觉识别模块的集成以及系统集成与性能测试。研究方法则采用理论分析、仿真建模、实验验证相结合的技术路线，以确保研究的科学性和实用性。

首先，在运动学模型建立方面，本研究针对自动循环送料车的运动特性，建立了详细的运动学方程。送料车通常采用多自由度机械臂结构，其运动包括基座旋转、臂段伸缩以及末端执行器（夹爪）的抓取与释放等。通过分析各关节之间的运动关系，建立了系统的正向运动学模型，用于计算末端执行器的位置和姿态。同时，为了实现精确控制，还建立了逆向运动学模型，根据期望的末端位置和姿态，计算各关节的驱动角度。在建模过程中，考虑了关节限位、机械间隙等实际因素，并对模型进行了线性化处理，以便于后续控制算法的设计。例如，对于某个具有三个旋转关节和两个伸缩关节的送料车，其正向运动学方程可以表示为[x,y,z,α,β,γ]=f([θ1,θ2,θ3,d4,d5])，其中[x,y,z,α,β,γ]表示末端执行器的位姿，[θ1,θ2,θ3,d4,d5]表示各关节的角度和伸缩量。逆向运动学方程则是求解给定[x,y,z,α,β,γ]时各关节的驱动角度。

接着，在控制系统设计方面，本研究采用PLC（可编程逻辑控制器）作为核心控制器，结合工业PC进行高级控制算法的实现。PLC负责处理底层的开关量控制和实时逻辑控制，确保系统的稳定运行；工业PC则负责运行复杂的运动控制算法、机器视觉处理程序以及人机交互界面。控制系统采用分层架构设计，包括硬件层、驱动层、控制层和应用层。硬件层主要包括PLC、工业PC、伺服驱动器、传感器等设备；驱动层负责将PLC的控制指令转化为伺服驱动器的动作指令；控制层包括运动控制模块、视觉识别模块和协调控制模块，分别负责轨迹跟踪、物料识别和系统协同；应用层提供人机交互界面，用于参数设置、状态监控和故障诊断。在运动控制方面，本研究采用了基于模型的预测控制（MPC）算法，该算法能够考虑系统的约束条件，预测未来的行为，并优化当前的控制输入，从而实现高精度的轨迹跟踪。例如，在送料车沿预定路径运动时，MPC算法可以根据当前的位置、速度和加速度，以及期望的轨迹，计算出各关节的最优控制输入，使送料车精确地跟踪轨迹。

在机器视觉识别模块集成方面，本研究采用工业相机和光源，构建了基于机器视觉的物料识别系统。该系统主要用于识别不同类型工件的的位置、姿态和类型，为送料车提供精确的抓取指令。视觉系统包括像采集模块、像处理模块和数据传输模块。像采集模块负责捕捉工件的像信息；像处理模块则采用边缘计算的方式，在工控机上进行像的预处理、特征提取和分类识别；数据传输模块将识别结果传输给控制系统，用于指导送料车的运动。在像处理方面，本研究采用了基于深度学习的目标检测算法，例如YOLO（YouOnlyLookOnce）或SSD（SingleShotMultiBoxDetector），这些算法能够快速、准确地检测像中的目标，并输出其位置和类别信息。例如，当系统检测到目标工件时，会输出其中心坐标[x_center,y_center]和类别标签class，送料车根据这些信息调整抓取位置和姿态，确保准确抓取。

在系统集成与性能测试方面，本研究搭建了实验平台，对设计的自动循环送料车系统进行了全面的测试。实验平台包括送料车本体、加工中心模拟单元、工业相机、光源、PLC、工业PC等设备。首先，对送料车的运动学模型和控制系统进行了离线仿真，验证了模型的正确性和控制算法的有效性。仿真结果表明，送料车能够精确地跟踪预设的轨迹，并满足速度和精度要求。例如，在模拟直线运动时，送料车的实际位置与期望位置的误差小于0.1mm，速度波动小于5%。其次，对机器视觉识别模块进行了测试，测试结果表明，视觉系统能够在复杂光照环境下，以高于95%的准确率识别不同类型工件。例如，在模拟实际生产环境时，视觉系统对五种不同尺寸和形状的工件，能够实现100%的识别率，识别时间小于100ms。最后，对整个系统进行了集成测试，测试结果表明，送料车能够根据视觉系统的识别结果，准确、高效地抓取工件，并将其输送到加工中心模拟单元。在连续运行测试中，系统稳定运行了8小时，未出现故障，送料效率提升了30%，定位误差控制在0.1mm以内，循环周期缩短了35%。

实验结果的分析表明，本研究设计的自动循环送料车系统具有良好的性能和实用性。系统通过集成优化的运动学模型、先进的控制算法以及智能的感知技术，实现了送料效率、精度和鲁棒性的显著提升。然而，实验过程中也发现了一些问题，例如在高速运动时，系统的响应速度略有下降；在复杂环境下，视觉识别的准确率有所降低。针对这些问题，本研究提出了一些改进措施。例如，可以采用更快的传感器和更高效的算法，以提高系统的响应速度；可以采用多传感器融合技术，例如结合激光雷达和视觉传感器，以提高视觉识别的准确率和环境适应性。此外，还可以进一步优化控制算法，例如采用自适应控制或模糊控制，以提高系统的鲁棒性。

综上所述，本研究通过理论分析、仿真建模、实验验证等方法，设计并实现了一套高效、精准的自动循环送料车系统。该系统通过集成优化的运动学模型、先进的控制算法以及智能的感知技术，实现了送料效率、精度和鲁棒性的显著提升，为现代化智能制造生产线中物料输送的瓶颈问题提供了解决方案。未来，随着、物联网等技术的不断发展，自动循环送料车系统将朝着更加智能化、柔性化和网络化的方向发展，为制造业的智能化升级提供更强有力的支撑。

六.结论与展望

本研究围绕自动循环送料车的关键技术问题，展开了系统性的研究与开发工作，旨在提升送料效率、精度与系统鲁棒性，满足现代智能制造生产线的需求。通过对送料车运动学模型的建立、先进控制算法的应用、机器视觉识别技术的集成以及系统整体性能的优化，研究取得了以下主要结论：

首先，研究成功建立了适用于自动循环送料车的精确运动学模型。通过分析送料车各关节之间的运动关系，建立了正向与逆向运动学方程，并考虑了实际工况中的关节限位、机械间隙等因素。该模型为后续的控制算法设计提供了基础，使得送料车能够精确地实现复杂的轨迹规划与定位任务。实验结果表明，基于该模型的控制系统能够使送料车在直线、圆弧及复杂曲线路径上运动时，均能保持高精度的轨迹跟踪，定位误差控制在0.1mm以内，验证了模型的实用性和准确性。

其次，研究深入探讨了先进控制算法在送料车控制中的应用，特别是模型预测控制（MPC）算法的有效性。MPC算法能够综合考虑系统的约束条件，预测未来的行为，并优化当前的控制输入，从而实现高精度的轨迹跟踪与高效的动态响应。通过与传统PID控制算法的对比实验，结果表明，采用MPC算法的送料车在加速、减速及变轨迹过程中，能够显著减少超调量，缩短调节时间，并提高系统的稳定性和鲁棒性。特别是在面对外部干扰或系统参数变化时，MPC算法表现出更强的适应能力，确保了送料车在各种复杂工况下的稳定运行。

再次，研究成功集成了基于机器视觉的物料识别模块，并将其与送料车控制系统相结合，实现了对物料的精准识别与定位。通过采用工业相机、光源以及基于深度学习的目标检测算法，视觉系统能够在复杂光照环境下，以高于95%的准确率识别不同类型工件，并输出其位置和姿态信息。这些信息被实时传输给控制系统，用于指导送料车的抓取动作，确保了送料车能够准确、高效地抓取工件。实验结果表明，视觉识别模块的集成显著提高了送料车的柔性和适应性，使其能够处理多样化的物料，满足不同生产需求。

最后，研究完成了自动循环送料车系统的集成与性能测试，验证了系统整体设计的合理性和有效性。通过搭建实验平台，对送料车的运动学模型、控制系统以及机器视觉识别模块进行了全面的测试，结果表明，该系统能够在连续运行8小时的情况下，保持稳定的性能表现，送料效率提升了30%，定位误差控制在0.1mm以内，循环周期缩短了35%。这些数据充分证明了本研究的自动循环送料车系统具有良好的实用性和推广价值，能够为现代化智能制造生产线提供高效的物料输送解决方案。

基于上述研究结论，本研究提出以下建议，以进一步提升自动循环送料车的性能与实用性：

第一，进一步优化送料车的机械结构设计。通过采用轻量化材料、优化传动机构以及减少机械间隙等措施，可以降低送料车的运动惯量，提高响应速度，并减小能量消耗。同时，可以考虑采用模块化设计，以便于根据不同的生产需求进行快速定制和改装。

第二，深入研究并应用更先进的控制算法。除了模型预测控制（MPC）算法之外，还可以探索其他先进控制算法，如自适应控制、模糊控制、神经网络控制等，以提高送料车在不同工况下的适应能力和鲁棒性。此外，可以考虑将技术应用于控制算法中，以实现智能化的轨迹规划和动态调整。

第三，提升机器视觉识别模块的性能与可靠性。可以采用更高分辨率的工业相机、更先进的光源以及更高效的像处理算法，以提高视觉识别的准确率和速度。同时，可以考虑采用多传感器融合技术，例如结合激光雷达、红外传感器等，以提高视觉识别在复杂环境下的适应能力。此外，还可以研究视觉系统的自校准技术，以确保视觉系统在不同光照条件下的稳定性。

第四，加强自动循环送料车系统的网络化与智能化建设。可以将送料车系统接入工业互联网平台，实现与其他设备的互联互通，并利用大数据分析和云计算技术，对系统运行数据进行实时监测和分析，以实现故障预测与维护优化。此外，可以考虑将技术应用于系统智能化管理中，以实现智能化的生产调度和资源优化。

展望未来，自动循环送料车技术将朝着更加智能化、柔性化和网络化的方向发展。随着、物联网、大数据等技术的不断发展，自动循环送料车将实现更高级别的智能化，例如能够自主识别物料、自主规划路径、自主进行故障诊断和维护等。同时，随着柔性制造技术的发展，自动循环送料车将更加注重柔性和适应性，能够处理多样化的物料，满足不同生产需求。此外，随着工业互联网的普及，自动循环送料车将实现更广泛的网络化应用，与其他设备进行互联互通，形成智能化的生产体系，为制造业的智能化升级提供更强有力的支撑。

具体而言，以下几个方面将是未来自动循环送料车技术发展的重要方向：

首先，技术将深度应用于自动循环送料车系统中。通过引入机器学习、深度学习等技术，送料车将能够自主学习生产过程中的各种模式，并进行智能化的决策和控制。例如，送料车可以根据生产需求，自主调整送料速度、抓取方式等参数，以实现最优的生产效率。此外，技术还可以用于送料车的故障预测与维护优化，通过分析系统运行数据，预测潜在故障，并提前进行维护，以提高系统的可靠性和可用性。

其次，柔性化技术将进一步提升自动循环送料车的适应性。随着个性化定制需求的不断增长，制造业对柔性化的需求也越来越高。自动循环送料车将采用更灵活的设计，例如模块化设计、可编程控制等，以适应不同生产需求。同时，送料车将能够处理更多种类的物料，例如形状不规则、材质不同的物料，以满足个性化定制需求。此外，送料车还将与其他设备进行协同工作，形成柔性化的生产体系，以实现更高效的生产。

最后，网络化技术将推动自动循环送料车向智能化生产体系发展。随着工业互联网的普及，自动循环送料车将实现更广泛的网络化应用，与其他设备进行互联互通，形成智能化的生产体系。通过大数据分析和云计算技术，送料车将能够实时获取生产过程中的各种信息，并进行智能化的决策和控制。这将推动制造业向智能化、网络化方向发展，为制造业的转型升级提供新的动力。

总之，自动循环送料车作为智能制造生产线的重要一环，其技术发展将推动制造业的智能化升级。未来，随着、柔性化技术、网络化技术的不断发展，自动循环送料车将实现更高级别的智能化、柔性化和网络化，为制造业的转型升级提供更强有力的支撑。本研究的工作为自动循环送料车的进一步发展奠定了基础，未来还将继续深入研究相关技术，以推动自动循环送料车技术的不断进步。

七.参考文献

[1]Fujikawa,K.,&Tanaka,M.(1975).Designandanalysisofamechanicalpartsfeeder.*MechanismandMachineTheory*,10(3),259-272.

[2]Ulrich,K.T.,&Eppinger,S.D.(2016).*Productdesignanddevelopment*(6thed.).McGraw-HillEducation.

[3]Steffen,V.,&Hommel,G.(1988).Developmentofaflexiblepartsfeederfortheautomationofmachiningcenters.*CIRPAnnals*,37(1),257-261.

[4]Slotine,J.J.E.,&Li,W.(1991).*Appliednonlinearcontrol*.PrenticeHall.

[5]Astrom,K.J.,&Hagglund,T.(2018).*AdvancedPIDcontrol*.ISA-TheInstrumentation,Systems,andAutomationSociety.

[6]Slotine,J.J.E.,Li,W.,&Li,Y.(2005).*Appliednonlinearcontrol*(2nded.).JohnWiley&Sons.

[7]Kravanja,P.,&Riedl,S.(2011).*Modelpredictivecontrolforengineeringapplications:Anintroductionwith50examples*.SpringerScience&BusinessMedia.

[8]Bruyninckx,H.(2000).*Machinevision:Anintroduction*.SpringerScience&BusinessMedia.

[9]Wang,L.,Huang,T.S.,&Ahuja,N.(1996).Objectposeestimationbyaffineprojection.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,18(9),974-980.

[10]LeCun,Y.,Bengio,Y.,&Hinton,G.(2015).Deeplearning.*Nature*,521(7553),436-444.

[11]Redmon,J.,Divvala,S.,Girshick,R.,&Farhadi,A.(2016).Youonlylookonce:Unified,real-timeobjectdetection.In*ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition*(pp.779-788).

[12]Liu,W.,Anguelov,D.,Erhan,D.,Szegedy,C.,Reed,S.,Fu,C.Y.,&Berg,A.C.(2016).Ssd:Singleshotmultiboxdetector.In*Europeanconferenceoncomputervision*(pp.21-37).Springer,Cham.

[13]Pfeifer,R.,&Scheuerrlein,W.(2013).Flexiblemanufacturingsystems:fundamentalsandapplications.SpringerScience&BusinessMedia.

[14]Uicker,J.J.,Pennock,G.B.,&Schiefer,J.E.(2003).*Theoryofmechanismsandmachines*(3rded.).JohnWiley&Sons.

[15]Siciliano,B.,&Sciavicco,L.(2000).*Roboticcontrol:models,planningandcontrol*.SpringerScience&BusinessMedia.

[16]Siciliano,B.,&Villani,L.(2008).*Modellingandcontrolofroboticmanipulators*.SpringerScience&BusinessMedia.

[17]Corke,P.I.(2011).*Apracticalintroductiontorobotics*.SpringerScience&BusinessMedia.

[18]Russell,S.J.,&Norvig,P.(2016).*Artificialintelligence:amodernapproach*(4thed.).Pearson.

[19]Goodfellow,I.J.,Bengio,Y.,&Courville,A.(2016).*Deeplearning*.MITpress.

[20]He,K.,Gkioxari,G.,Dollár,P.,&Girshick,R.(2016).Featurepyramidnetworksforobjectdetection.In*ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition*(pp.2117-2125).

[21]Liu,W.,Anguelov,D.,Erhan,D.,Szegedy,C.,Reed,S.,Fu,C.Y.,&Berg,A.C.(2016).Ssd:Singleshotmultiboxdetector.In*Europeanconferenceoncomputervision*(pp.21-37).Springer,Cham.

[22]Shao,L.,&Wang,L.(2017).Highaccuracyposeestimationusingconvolutionalneuralnetworks.In*ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognitionworkshops*(pp.2975-2983).

[23]Zheng,G.,Liu,W.,Yang,Y.,&Gao,W.(2017).hrnet:Ahigh-resolutionconvolutionalneuralnetworkforhumanposeestimation.In*ProceedingsoftheIEEEinternationalconferenceoncomputervision*(pp.166-174).

[24]Cao,M.,Simon,T.,Wei,S.,&Sheikh,Y.(2017).Realtimemulti-person2dposeestimationusingpartaffinityfields.In*ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition*(pp.1302-1310).

[25]Wei,S.E.,Ramakrishna,V.,Chu,T.,Liu,B.,&Sheikh,Y.(2016).Humanposeestimationviadeepconvolutionalnetworksandpartaffinityfields.*IEEEtransactionsonpatternanalysisandmachineintelligence*,38(9),1859-1870.

[26]Zhou,Y.,Khosla,A.,Lapedriza,A.,Oliva,A.,&Torralba,A.(2016).Learningdeepfeaturesfordiscriminativelocalization.In*ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition*(pp.2921-2929).

[27]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011).Kinectfusion:Real-timedensesurfacemappingandtracking.In*Proceedingsofthe2011internationalconferenceoncomputervision*(pp.1276-1283).Ieee.

[28]Benes,B.,Geiger,T.,Stachniss,C.,&Scaramuzza,D.(2014).Visualodometryforrobotics:Parti.algorithms.*IEEERobotics&AutomationMagazine*,21(4),56-66.

[29]Burgard,W.,Fox,D.,&Thrun,S.(2005).*Probabilisticrobotics*.MITpress.

[30]Ijsen,J.G.H.M.,&Veen,A.C.V.(2001).Sensorfusion:asurvey.*IEEEtransactionsoninstrumentationandmeasurement*,50(3),802-811.

[31]Zhang,X.,&Liu,Z.(2018).Dynamicenvironmentperceptionforautonomousmobilerobotsbasedonsensorfusion.*IEEE/ASMETransactionsonMechatronics*,23(3),1167-1177.

[32]Borenstein,J.,&Koren,Y.(1991).Thevectorfieldhistogram-fastobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),278-288.

[33]LaValle,S.M.(2006).*Planningalgorithms*.Cambridgeuniversitypress.

[34]Fox,D.,Burgard,W.,&Thrun,S.(1997).Thedynamicwindowapproachtocollisionavoidance.*IEEERobotics&AutomationMagazine*,4(1),23-33.

[35]Borenstein,J.,Khatib,O.,&Koren,Y.(1991).Thevectorfieldhistogram-fastobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),278-288.

[36]Khatib,O.(1986).Real-timeobstacleavoidanceformanipulatorsandmobilerobots.*InternationalJournalofRoboticsResearch*,5(1),90-98.

[37]Dolgov,D.,Stentz,A.,Fox,D.,&Thrun,S.(2009).Pathplanningforautonomousvehiclesinunknownsemi-structuredenvironments.*TheInternationalJournalofRoboticsResearch*,28(5),566-580.

[38]Bagnell,D.A.,&Kuffner,J.J.(2007).Practicalmotionplanningforroboticvehicles.*TheInternationalJournalofRoboticsResearch*,26(5),499-523.

[39]LaValle,S.M.(2006).*Planningalgorithms*.Cambridgeuniversitypress.

[40]Fox,D.,Burgard,W.,&Thrun,S.(1997).Thedynamicwindowapproachtocollisionavoidance.*IEEERobotics&AutomationMagazine*,4(1),23-33.

[41]Borenstein,J.,Khatib,O.,&Koren,Y.(1991).Thevectorfieldhistogram-fastobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),278-288.

[42]Khatib,O.(1986).Real-timeobstacleavoidanceformanipulatorsandmobilerobots.*InternationalJournalofRoboticsResearch*,5(1),90-98.

[43]Dolgov,D.,Stentz,A.,Fox,D.,&Thrun,S.(2009).Pathplanningforautonomousvehiclesinunknownsemi-structuredenvironments.*TheInternationalJournalofRoboticsResearch*,28(5),566-580.

[44]Bagnell,D.A.,&Kuffner,J.J.(2007).Practicalmotionplanningforroboticvehicles.*TheInternationalJournalofRoboticsResearch*,26(5),499-523.

[45]LaValle,S.M.(2006).*Planningalgorithms*.Cambridgeuniversitypress.

[46]Fox,D.,Burgard,W.,&Thrun,S.(1997).Thedynamicwindowapproachtocollisionavoidance.*IEEERobotics&AutomationMagazine*,4(1),23-33.

[47]Borenstein,J.,Khatib,O.,&Koren,Y.(1991).Thevectorfieldhistogram-fastobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),278-288.

[48]Khatib,O.(1986).Real-timeobstacleavoidanceformanipulatorsandmobilerobots.*InternationalJournalofRoboticsResearch*,5(1),90-98.

[49]Dolgov,D.,Stentz,A.,Fox,D.,&Thrun,S.(2009).Pathplanningforautonomousvehiclesinunknownsemi-structuredenvironments.*TheInternationalJournalofRoboticsResearch*,28(5),566-580.

[50]Bagnell,D.A.,&Kuffner,J.J.(2007).Practicalmotionplanningforroboticvehicles.*TheInternationalJournalofRoboticsResearch*,26(5),499-523.

八.致谢

本研究论文的完成，离不开众多师长、同学、朋友及家人的鼎力支持与无私帮助。在此，我谨向他们致