RoboCup人形组足球机器人的蒙特卡罗自主定位算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题提出的背景与研究意义 | 第9-13页 |
| ·课题提出的背景 | 第9-12页 |
| ·课题的研究意义 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·移动机器人定位方法研究概况 | 第13-14页 |
| ·概率化定位方法国内外研究现状 | 第14-16页 |
| ·存在的主要问题 | 第16-17页 |
| ·本文的主要研究内容与结构安排 | 第17-19页 |
| ·研究目标 | 第17页 |
| ·主要研究内容 | 第17-18页 |
| ·结构安排 | 第18-19页 |
| 第2章 移动机器人粒子滤波定位的理论基础 | 第19-31页 |
| ·引言 | 第19-20页 |
| ·贝叶斯滤波理论 | 第20-22页 |
| ·信度的定义 | 第20-21页 |
| ·定位公式的推导 | 第21-22页 |
| ·蒙特卡罗方法 | 第22-23页 |
| ·粒子滤波器基本算法 | 第23-27页 |
| ·序列重要性采样 | 第23-24页 |
| ·重要性重采样 | 第24-25页 |
| ·粒子滤波算法流程 | 第25-26页 |
| ·实验仿真结果及分析 | 第26-27页 |
| ·粒子滤波器改进算法 | 第27-30页 |
| ·辅助粒子滤波 | 第27-28页 |
| ·正则粒子滤波 | 第28-29页 |
| ·高斯粒子滤波 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于视觉的移动机器人定位问题的相关模型 | 第31-41页 |
| ·引言 | 第31页 |
| ·足球机器人定位系统任务环境 | 第31-34页 |
| ·移动机器人定位相关模型 | 第34-40页 |
| ·坐标系模型 | 第34-35页 |
| ·环境地图模型 | 第35-37页 |
| ·移动机器人位姿模型 | 第37页 |
| ·移动机器人运动模型 | 第37-38页 |
| ·传感器模型 | 第38-40页 |
| ·噪声模型 | 第40页 |
| ·本章小结 | 第40-41页 |
| 第4章 蒙特卡罗定位算法的研究 | 第41-53页 |
| ·引言 | 第41-42页 |
| ·基本蒙特卡罗定位方法 | 第42-43页 |
| ·多假设蒙特卡罗定位方法 | 第43-46页 |
| ·Cluster-MCL 在全局定位中的应用 | 第43-45页 |
| ·Cluster-MCL 算法 | 第45-46页 |
| ·混合蒙特卡罗定位方法 | 第46-50页 |
| ·更新建议分布 | 第46-47页 |
| ·权重因子的估计 | 第47-49页 |
| ·混合建议分布 | 第49页 |
| ·重采样 | 第49-50页 |
| ·改进的蒙特卡罗定位方法 | 第50-51页 |
| ·改进的重采样规则 | 第50-51页 |
| ·实验仿真结果及分析 | 第51页 |
| ·本章小结 | 第51-53页 |
| 第5章 改进的自适应蒙特卡罗定位方法 | 第53-65页 |
| ·引言 | 第53页 |
| ·分域蒙特卡罗定位方法 | 第53-57页 |
| ·状态标识变量 | 第54-55页 |
| ·状态转移 | 第55-56页 |
| ·分域控制思想 | 第56-57页 |
| ·自适应分域蒙特卡罗定位方法 | 第57-60页 |
| ·KL 距离在分域蒙特卡罗定位中的应用 | 第57-59页 |
| ·状态复位方法 | 第59-60页 |
| ·实验仿真结果及分析 | 第60-64页 |
| ·全局定位实验 | 第61-62页 |
| ·局部位姿跟踪实验 | 第62-63页 |
| ·机器人绑架问题实验 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第6章 全文总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简介及在学期间所取得的科研成果 | 第71-73页 |
| 致谢 | 第73页 |
