平滑型SLAM中数据关联的鲁棒性研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-15页 |
| 1.1 机器人发展 | 第10-11页 |
| 1.2 SLAM研究现状 | 第11-13页 |
| 1.2.1 SLAM前端中数据关联研究 | 第12-13页 |
| 1.2.2 SLAM后端中数据关联研究 | 第13页 |
| 1.3 本文内容和组织结构 | 第13-15页 |
| 2 移动机器人中SLAM问题 | 第15-26页 |
| 2.1 移动机器人数学建模 | 第15-18页 |
| 2.1.1 机器人坐标模型 | 第15页 |
| 2.1.2 机器人运动模型 | 第15-17页 |
| 2.1.3 机器人观测模型 | 第17-18页 |
| 2.2 自主定位 | 第18-19页 |
| 2.2.1 视觉机器人定位 | 第18-19页 |
| 2.3 地图构建 | 第19-21页 |
| 2.3.1 栅格图 | 第19-20页 |
| 2.3.2 特征图 | 第20-21页 |
| 2.3.3 位姿图 | 第21页 |
| 2.4 SLAM中图建模方法 | 第21-23页 |
| 2.4.1 动态贝叶斯网络 | 第21-22页 |
| 2.4.2 Markov随机场 | 第22页 |
| 2.4.3 因子图 | 第22-23页 |
| 2.5 SLAM中数据关联问题 | 第23-25页 |
| 2.5.1 数据关联描述 | 第23-24页 |
| 2.5.2 错误数据关联 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 SLAM后端图优化 | 第26-48页 |
| 3.1 SLAM中概率估计 | 第26-29页 |
| 3.1.1 贝叶斯估计 | 第26-27页 |
| 3.1.2 SLAM的概率模型 | 第27-29页 |
| 3.1.3 平滑型SLAM | 第29页 |
| 3.2 图优化中最小二乘法 | 第29-38页 |
| 3.2.1 SLAM中图与概率 | 第29-32页 |
| 3.2.2 最小二乘问题 | 第32-33页 |
| 3.2.3 非线性最小二乘求解 | 第33-35页 |
| 3.2.4 SLAM最小二乘优化 | 第35-38页 |
| 3.3 SC后端优化 | 第38-43页 |
| 3.3.1 算法主要思想 | 第38-41页 |
| 3.3.2 算法实现 | 第41-42页 |
| 3.3.3 算法仿真结果 | 第42-43页 |
| 3.4 Max-Mixture后端优化 | 第43-47页 |
| 3.4.1 算法主要思想 | 第44-45页 |
| 3.4.2 算法实现 | 第45-46页 |
| 3.4.3 算法仿真结果 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于路标地图的数据关联优化 | 第48-72页 |
| 4.1 基于路标地图的数据关联问题 | 第48-49页 |
| 4.2 RFM-SLAM主要思想 | 第49-61页 |
| 4.2.1 拓扑图 | 第49-50页 |
| 4.2.2 数学推导 | 第50-55页 |
| 4.2.3 鲁棒性问题 | 第55-61页 |
| 4.3 算法实现 | 第61-64页 |
| 4.3.1 节点与边定义 | 第61-62页 |
| 4.3.2 求解过程 | 第62-63页 |
| 4.3.3 迭代增量运算 | 第63-64页 |
| 4.3.4 算法实现总结 | 第64页 |
| 4.4 RFM-SLAM实验分析 | 第64-71页 |
| 4.4.1 MATLAB仿真数据分析 | 第65-67页 |
| 4.4.2 基于g2o的实验数据分析 | 第67-71页 |
| 4.5 本章小结 | 第71-72页 |
| 5 结论与展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录A | 第76-82页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第82-84页 |
| 学位论文数据集 | 第84页 |
