| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-24页 |
| ·研究目的及意义 | 第10页 |
| ·移动机器人概述及其发展现状 | 第10-13页 |
| ·移动机器人概述 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·移动机器人定位方法及研究现状 | 第13-22页 |
| ·移动机器人定位方法 | 第13-15页 |
| ·国内外研究现状 | 第15-22页 |
| ·本文的主要工作与成果 | 第22-23页 |
| ·本文内容的组织与安排 | 第23-24页 |
| 第二章 粒子滤波算法基本原理 | 第24-40页 |
| ·引言 | 第24页 |
| ·背景知识 | 第24-30页 |
| ·马尔可夫过程 | 第24-25页 |
| ·状态—空间模型 | 第25-26页 |
| ·贝叶斯滤波原理 | 第26-28页 |
| ·卡尔曼滤波器 | 第28-29页 |
| ·蒙特卡罗方法 | 第29-30页 |
| ·重要性采样方法 | 第30页 |
| ·粒子滤波器 | 第30-37页 |
| ·贝叶斯重要性采样(BIS) | 第30-32页 |
| ·序贯重要性采样(SIS) | 第32-33页 |
| ·退化现象 | 第33-35页 |
| ·选择步骤 | 第35-36页 |
| ·粒子滤波算法描述 | 第36-37页 |
| ·重要性函教的选择 | 第37-39页 |
| ·先验分布 | 第37-38页 |
| ·最优分布 | 第38页 |
| ·混合分布 | 第38页 |
| ·粒子滤波器存在的问题 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 UPF算法 | 第40-51页 |
| ·引言 | 第40-41页 |
| ·Unscented Kalman Filter | 第41-48页 |
| ·UT变换 | 第41-42页 |
| ·Sigma点采样策略 | 第42-46页 |
| ·UKF算法 | 第46-48页 |
| ·EKF，UKF，PF三种算法的比较 | 第48页 |
| ·Unscented Particle Filter | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 传统粒子滤波算法的改进 | 第51-62页 |
| ·引言 | 第51-52页 |
| ·基于相关熵的自适应重采样算法 REAPF | 第52-55页 |
| ·背景知识 | 第52-53页 |
| ·相关熵 | 第53-54页 |
| ·REAPF算法描述 | 第54-55页 |
| ·基于 MH算法的粒子初始化方法 | 第55-57页 |
| ·改进的粒子滤波算法及其仿真结果 | 第57-61页 |
| ·智能采样 PF算法 | 第57-58页 |
| ·仿真实验 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 粒子滤波算法在移动机器人定位中的应用 | 第62-70页 |
| ·引言 | 第62页 |
| ·贝叶斯滤波算法在移动机器人定位中的应用 | 第62-63页 |
| ·MCL算法 | 第63-66页 |
| ·实验结果及分析 | 第66-69页 |
| ·实验细节 | 第67-68页 |
| ·仿真结果 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 本文的工作总结及研究展望 | 第70-72页 |
| ·全文总结 | 第70-71页 |
| ·研究展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间发表的学术论文 | 第78-79页 |
| 附录A:本文图表索引 | 第79页 |