| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 即时定位与地图构建的背景和意义 | 第10-16页 |
| 1.1.1 移动机器人的发展现状 | 第10-13页 |
| 1.1.2 SLAM在机器人研究中的定义 | 第13-14页 |
| 1.1.3 SLAM的研究意义 | 第14-16页 |
| 1.2 SLAM的研究现状和进展 | 第16-17页 |
| 1.3 SLAM的关键技术和难点 | 第17-18页 |
| 1.4 本课题的研究任务和目的 | 第18-19页 |
| 1.5 本文的主要内容 | 第19-20页 |
| 第2章 即时定位与地图构建的基本理论和算法介绍 | 第20-26页 |
| 2.1 移动机器人模型建立 | 第20-21页 |
| 2.2 常用的地图表示方法 | 第21-23页 |
| 2.3 SLAM典型流程 | 第23页 |
| 2.4 SLAM算法介绍 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于卡尔曼滤波器的SLAM方法研究 | 第26-44页 |
| 3.1 简介和应用 | 第26页 |
| 3.2 卡尔曼滤波的流程 | 第26-36页 |
| 3.2.1 基本动态系统模型 | 第26-28页 |
| 3.2.2 基本卡尔曼滤波器与改进后的扩展卡尔曼滤波器 | 第28-30页 |
| 3.2.3 离散卡尔曼滤波的Matlab仿真 | 第30-36页 |
| 3.3 扩展卡尔曼滤波器在SLAM中的应用 | 第36-39页 |
| 3.3.1 EKF-SLAM算法的基本原理 | 第36页 |
| 3.3.2 EKF-SLAM算法的流程 | 第36-39页 |
| 3.4 仿真结果和分析 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于粒子滤波器的FastSLAM方法研究 | 第44-58页 |
| 4.1 基本原理 | 第44-50页 |
| 4.1.1 动态空间模型 | 第44页 |
| 4.1.2 贝叶斯估计理论 | 第44-47页 |
| 4.1.3 序贯蒙特卡罗信号处理 | 第47-48页 |
| 4.1.4 仿真实验结果 | 第48-50页 |
| 4.2 基于粒子滤波器的FastSLAM方法 | 第50-54页 |
| 4.2.1 基于概率理论的FastSLAM过程 | 第50-52页 |
| 4.2.2 FastSLAM的算法流程 | 第52-54页 |
| 4.3 FastSLAM算法的仿真实验 | 第54-56页 |
| 4.4 FastSLAM的改进策略 | 第56-58页 |
| 第5章 机器人控制系统ROS的研究和FastSLAM实验 | 第58-66页 |
| 5.1 ROS系统的介绍和应用 | 第58-61页 |
| 5.1.1 基本概念 | 第58-60页 |
| 5.1.2 ROS的优势 | 第60-61页 |
| 5.2 FastSLAM的实验结果和分析 | 第61-64页 |
| 5.2.1 实验平台 | 第61-62页 |
| 5.2.2 室内环境的实验结果和分析 | 第62-64页 |
| 5.3 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 论文工作总结 | 第66页 |
| 6.2 改进方向 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |