移动机器人的同时定位和地图构建子系统技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 移动机器人发展状况概述 | 第10-14页 |
| 1.2.1 机器人的定义和分类 | 第10-12页 |
| 1.2.2 移动机器人导航的研究内容 | 第12-13页 |
| 1.2.3 移动机器人导航技术的发展趋势 | 第13-14页 |
| 1.3 机器人的同时定位与地图构建概述 | 第14-16页 |
| 1.3.1 SLAM的由来 | 第14页 |
| 1.3.2 SLAM问题的关键研究领域 | 第14-16页 |
| 1.4 主要的研究内容及章节安排 | 第16-17页 |
| 第2章 移动机器人导航系统建模 | 第17-33页 |
| 2.1 移动机器人的导航空间表示方法 | 第17-21页 |
| 2.1.1 栅格地图 | 第17-18页 |
| 2.1.2 几何特征地图 | 第18-19页 |
| 2.1.3 拓扑地图 | 第19-20页 |
| 2.1.4 导航空间表示方法的比较和选择 | 第20-21页 |
| 2.2 移动机器人控制命令模型 | 第21-23页 |
| 2.3 超声波传感器模型 | 第23-30页 |
| 2.3.1 超声波传感器工作原理 | 第24-25页 |
| 2.3.2 容忍函数的建立 | 第25-27页 |
| 2.3.3 超声波传感器不确定函数 | 第27-28页 |
| 2.3.4 超声波传感器常用模型 | 第28-30页 |
| 2.4 移动机器人的运动模型 | 第30-31页 |
| 2.5 移动机器人的观测模型 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于EKF的同时定位与路标特征地图构建 | 第33-48页 |
| 3.1 卡尔曼滤波的模型 | 第33-36页 |
| 3.1.1 卡尔曼滤波算法的基本原理 | 第34-35页 |
| 3.1.2 卡尔曼滤波算法的应用 | 第35-36页 |
| 3.2 扩展卡尔曼滤波的模型 | 第36-43页 |
| 3.2.1 扩展卡尔曼滤波算法的基本原理 | 第36-37页 |
| 3.2.2 EKF-SLAM算法的实现 | 第37-43页 |
| 3.3 仿真和实验结果 | 第43-47页 |
| 3.3.1 机器人仿真实验设计 | 第43-44页 |
| 3.3.2 仿真实验结果 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于超声波传感器的栅格地图构建 | 第48-57页 |
| 4.1 全局概率栅格地图创建 | 第48-53页 |
| 4.1.1 基于概率模型的栅格全局地图表示 | 第48-50页 |
| 4.1.2 栅格概率值的融合 | 第50-52页 |
| 4.1.3 ATM方法的应用 | 第52-53页 |
| 4.2 仿真和实验结果 | 第53-56页 |
| 4.2.1 概率栅格地图创建的仿真实验设计 | 第53-54页 |
| 4.2.2 仿真实验结果和分析 | 第54-56页 |
| 4.3 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
