| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 主要缩写和术语对照表 | 第15-17页 |
| 第一章 绪论 | 第17-37页 |
| 1.1 选题的背景及意义 | 第17-19页 |
| 1.2 SLAM技术应用现状 | 第19-23页 |
| 1.2.1 国外应用现状 | 第19-22页 |
| 1.2.2 国内应用现状 | 第22-23页 |
| 1.3 SLAM算法研究现状 | 第23-33页 |
| 1.3.1 基于高斯滤波器的SLAM算法 | 第24-26页 |
| 1.3.2 基于粒子滤波器的SLAM算法 | 第26-29页 |
| 1.3.3 基于概率假设密度滤波器的SLAM算法 | 第29-31页 |
| 1.3.4 基于图优化的SLAM算法 | 第31-33页 |
| 1.4 主要研究内容和论文组织结构 | 第33-37页 |
| 1.4.1 主要研究内容 | 第33-34页 |
| 1.4.2 论文组织结构 | 第34-37页 |
| 第二章 SLAM概率模型及算法框架 | 第37-55页 |
| 2.1 引言 | 第37页 |
| 2.2 SLAM概率模型 | 第37-39页 |
| 2.3 基于高斯滤波器的SLAM算法 | 第39-44页 |
| 2.3.1 算法原理 | 第39-42页 |
| 2.3.2 算法流程 | 第42-44页 |
| 2.4 基于粒子滤波器的SLAM算法 | 第44-48页 |
| 2.4.1 算法原理 | 第45-46页 |
| 2.4.2 算法流程 | 第46-48页 |
| 2.5 基于概率假设密度滤波器的SLAM算法 | 第48-53页 |
| 2.5.1 算法原理 | 第49-51页 |
| 2.5.2 算法实现 | 第51-53页 |
| 2.6 本章小结 | 第53-55页 |
| 第三章 基于统计线性回归鲁棒优化的高斯滤波SLAM算法 | 第55-75页 |
| 3.1 引言 | 第55-56页 |
| 3.2 研究背景概述 | 第56-60页 |
| 3.2.1 容积卡尔曼滤波器 | 第56-58页 |
| 3.2.2 广义最大似然估计算法 | 第58-60页 |
| 3.3 基于统计线性回归的高斯滤波SLAM算法 | 第60-65页 |
| 3.4 数值仿真与结果分析 | 第65-74页 |
| 3.4.1 仿真环境 | 第65-68页 |
| 3.4.2 估计性能度量指标 | 第68-69页 |
| 3.4.3 仿真结果 | 第69-74页 |
| 3.5 本章小结 | 第74-75页 |
| 第四章 基于自适应粒子重采样的UFastSLAM算法 | 第75-97页 |
| 4.1 引言 | 第75-76页 |
| 4.2 研究背景概述 | 第76-80页 |
| 4.2.1 转换无味变换 | 第76-79页 |
| 4.2.2 自适应粒子重采样 | 第79-80页 |
| 4.3 自适应粒子重采样UFastSLAM算法 | 第80-88页 |
| 4.4 实验与分析 | 第88-95页 |
| 4.4.1 仿真结果 | 第88-93页 |
| 4.4.2 实际数据集结果 | 第93-95页 |
| 4.5 本章小结 | 第95-97页 |
| 第五章 同时估计未知噪声方差的概率假设密度SLAM算法 | 第97-115页 |
| 5.1 引言 | 第97-98页 |
| 5.2 研究背景概述 | 第98-101页 |
| 5.2.1 未知测量噪声方差的系统模型 | 第98-99页 |
| 5.2.2 同时估计噪声参数的高斯混合概率假设密度滤波算法 | 第99-101页 |
| 5.3 基于变分贝叶斯近似的概率假设密度SLAM算法 | 第101-106页 |
| 5.4 数值仿真与结果分析 | 第106-113页 |
| 5.4.1 仿真环境 | 第106-109页 |
| 5.4.2 仿真结果 | 第109-113页 |
| 5.5 本章小结 | 第113-115页 |
| 第六章 总结与展望 | 第115-119页 |
| 6.1 工作总结 | 第115-116页 |
| 6.2 工作展望 | 第116-119页 |
| 参考文献 | 第119-131页 |
| 攻读博士学位期间的主要研究成果 | 第131-132页 |
