| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 本论文研究的意义 | 第11-12页 |
| 1.2 关于机器人SLAM和深度学习的研究现状 | 第12-18页 |
| 1.2.1 机器人的发展状况和应用 | 第12-13页 |
| 1.2.2 机器人地图构建和定位的研究现状 | 第13-16页 |
| 1.2.3 单目视觉SLAM研究现状 | 第16-17页 |
| 1.2.4 深度学习的研究现状 | 第17-18页 |
| 1.3 机器人定位与地图构建研究存在的问题 | 第18-19页 |
| 1.4 本文内容与组织结构 | 第19-21页 |
| 第2章 机器人单目视觉模型和图像预处理 | 第21-39页 |
| 2.1 引言 | 第21-22页 |
| 2.2 单目摄像机坐标转换和模型 | 第22-25页 |
| 2.2.1 图像坐标系 | 第22-23页 |
| 2.2.2 摄像机坐标系 | 第23-24页 |
| 2.2.3 摄像机针孔模型 | 第24-25页 |
| 2.3 视觉图像的预处理 | 第25-34页 |
| 2.3.1 灰度化和平滑滤波 | 第25-29页 |
| 2.3.2 算子边缘特征提取和检测 | 第29-32页 |
| 2.3.3 基于Canny算子联合Hough变换的提取方法 | 第32-34页 |
| 2.4 算法仿真 | 第34-36页 |
| 2.5 本章小结 | 第36-39页 |
| 第3章 深度卷积神经网络的改进和特征提取 | 第39-53页 |
| 3.1 引言 | 第39-40页 |
| 3.2 卷积神经网络 | 第40-42页 |
| 3.2.1 卷积网络结构 | 第40-41页 |
| 3.2.2 权值共享 | 第41-42页 |
| 3.2.3 稀疏连接 | 第42页 |
| 3.3 卷积神经网络特征提取的训练过程 | 第42-46页 |
| 3.3.1 反向误差传递算法 | 第42-45页 |
| 3.3.2 前向输入学习阶段 | 第45-46页 |
| 3.3.3 误差反向传递训练阶段 | 第46页 |
| 3.4 改进的卷积神经网络学习算法 | 第46-48页 |
| 3.4.1 自编码器 | 第46-47页 |
| 3.4.2 改进的卷积网络算法 | 第47页 |
| 3.4.3 改进的卷积网络的训练过程 | 第47-48页 |
| 3.5 算法仿真 | 第48-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第4章 基于单目视觉图像的机器人定位与地图构建 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 移动机器人状态模型 | 第54-58页 |
| 4.2.1 移动机器人运动模型 | 第54-55页 |
| 4.2.2 移动机器人观测模型 | 第55页 |
| 4.2.3 移动机器人迭代观测的EKF模型 | 第55-58页 |
| 4.3 基于SIFT的特征点提取 | 第58-61页 |
| 4.3.1 构建尺度空间和定位特征点 | 第58-59页 |
| 4.3.2 计算特征点参数和特征描述向量 | 第59-61页 |
| 4.4 特征联合匹配算法 | 第61-64页 |
| 4.4.1 相似度矩阵的建立 | 第61-63页 |
| 4.4.2 匹配关系的建立 | 第63页 |
| 4.4.3 本章算法的具体步骤 | 第63-64页 |
| 4.5 算法仿真 | 第64-67页 |
| 4.5.1 SIFT算子结合联合匹配的检测匹配仿真结果 | 第64页 |
| 4.5.2 基于EKF更新的定位和地图构建仿真结果 | 第64-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第5章 机器人定位与地图构建实验 | 第69-81页 |
| 5.1 引言 | 第69页 |
| 5.2 机器人平台和Basler摄像机介绍 | 第69-74页 |
| 5.2.1 机器人硬件组成 | 第69-70页 |
| 5.2.2 移动机器人传感器 | 第70-72页 |
| 5.2.3 移动机器人控制系统和面板 | 第72-73页 |
| 5.2.4 Basler单目视觉摄像机 | 第73-74页 |
| 5.3 通过局部地图坐标转换进行全局构建 | 第74-75页 |
| 5.4 室内环境下机器人的定位和地图构建实验 | 第75-79页 |
| 5.4.1 局部地图构建 | 第76-78页 |
| 5.4.2 全局地图构建 | 第78-79页 |
| 5.5 本章小结 | 第79-81页 |
| 总结与展望 | 第81-83页 |
| 参考文献 | 第83-89页 |
| 致谢 | 第89页 |
