第1章 机器人与感知技术
1.1 机器人的定义和分类002
1.1.1 机器人的发展历程002
1.1.2 机器人的定义007
1.1.3 机器人的分类010
1.2 机器人感知系统014
1.2.1 机器人感知系统概述014
1.2.2 机器人感知技术的意义和重要性016
1.2.3 机器人感知技术的应用案例018
第2章 视觉感知技术
2.1 机器视觉（machine vision，MV）基础021
2.1.1 机器视觉概念021
2.1.2 机器人的视觉感知系统简介022
2.2 机器人视觉感知硬件系统和软件系统025
2.2.1 机器人视觉感知硬件系统组成025
2.2.2 机器人视觉感知软件系统组成033
2.3 深度学习在视觉感知中的应用034
2.3.1 深度学习技术概述034
2.3.2 应用案例036
2.4 立体视觉技术044
2.4.1 立体视觉技术概述044
2.4.2 单目视觉技术045
2.4.3 双目视觉技术048
2.4.4 多目视觉技术051
2.4.5 光场3D成像（电子复眼或阵列相机）054
2.4.6 3D视觉传感器的工作原理和应用055
2.5 红外图像传感器058
2.5.1 红外图像传感器的工作原理058
2.5.2 红外图像传感器的应用064
第3章 机器人接近觉感知技术
3.1 超声波传感器068
3.1.1 超声波的波形及其转换068
3.1.2 超声波传感器介绍069
3.1.3 超声波传感器的工作原理072
3.1.4 超声波传感器的应用局限073
3.2 激光传感器074
3.2.1 激光传感器介绍074
3.2.2 激光雷达的工作原理076
3.3 红外传感器079
3.3.1 红外传感器介绍079
3.3.2 红外传感器的工作原理080
第4章 机器人定位与导航技术
4.1 GNSS的工作原理及应用084
4.1.1 GPS084
4.1.2 北斗卫星导航系统087
4.2 惯性测量单元（IMU）的工作原理和应用092
4.2.1 工作原理092
4.2.2 应用095
4.3 SLAM技术的工作原理及应用098
第5章 多传感器信息融合算法
5.1 多传感器信息融合的定义104
5.2 多传感器信息融合的分类104
5.3 多传感器信息融合的方法109
5.4 多传感器信息融合算法的原理113
5.4.1 贝叶斯方法传感器定性信息融合113
5.4.2 基于卡尔曼滤波的多传感器数据融合方法116
5.4.3 智能检测系统的自适应加权数据融合120
第6章 感知技术的应用
6.1 工业机器人中的感知技术应用124
6.2 服务机器人中的感知技术应用127
6.2.1 服务机器人的定义127
6.2.2 服务机器人视觉处理的基本概念128
6.3 农业机器人中的感知技术应用129
6.3.1 农业机器人的定义129
6.3.2 农业机器人的发展简介131
6.3.3 农业机器人的机器视觉132
第7章 人形机器人目标识别、定位与导航实践步骤
7.1 任务概述与环境准备135
7.1.1 项目目标与任务概述135
7.1.2 硬件平台与软件环境136
7.1.3 开发环境搭建138
7.2 任务一：基于摄像头的目标识别、定位与导航140
7.2.1 摄像头数据采集与预处理140
7.2.2 基于YOLO的目标识别模型部署142
7.2.3 目标定位与坐标转换146
7.2.4 基于move_base的自主导航实现147
7.3 任务二：基于摄像头与激光雷达融合的目标识别、定位与导航150
7.3.1 多传感器数据融合基础150
7.3.2 融合感知与目标识别153
7.3.3 高精度定位与建图156
7.3.4 融合导航策略实现159
7.4 常见问题与解决方案163
7.4.1 定位漂移与粒子退化问题163
7.4.2 传感器数据不同步或丢失问题163
7.4.3 路径规划失败、路径振荡等导航问题164
参考文献165
