| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 课题研究背景与意义 | 第14-15页 |
| 1.2 水下导航定位方法 | 第15-22页 |
| 1.2.1 声学导航 | 第15-19页 |
| 1.2.2 惯性导航 | 第19-20页 |
| 1.2.3 地磁导航 | 第20-21页 |
| 1.2.4 重力导航 | 第21-22页 |
| 1.3 同时构图定位技术 | 第22-26页 |
| 1.3.1 国外SLAM技术的应用前景及研究现状 | 第22-24页 |
| 1.3.2 国内SLAM技术的应用前景分析 | 第24页 |
| 1.3.3 SLAM技术中的各种常用滤波算法 | 第24-25页 |
| 1.3.4 基于AUV的SLAM算法研究 | 第25-26页 |
| 1.4 本文的研究内容和章节安排 | 第26-30页 |
| 第2章 SLAM中的构图与定位方法研究 | 第30-64页 |
| 2.1 SLAM中环境地图表示方法 | 第30-32页 |
| 2.1.1 特征地图 | 第31页 |
| 2.1.2 栅格地图 | 第31-32页 |
| 2.1.3 拓扑地图 | 第32页 |
| 2.2 捷联式惯性导航 | 第32-36页 |
| 2.2.1 常用坐标系与姿态旋转矩阵 | 第32-34页 |
| 2.2.2 姿态方程 | 第34-36页 |
| 2.3 基于图像声呐的SLAM | 第36-40页 |
| 2.3.1 声呐传感器性能介绍 | 第36-39页 |
| 2.3.2 基于图像声呐的SLAM平台搭建 | 第39-40页 |
| 2.4 SLAM中的声呐图像处理方法 | 第40-47页 |
| 2.4.1 声呐成像简介 | 第41-42页 |
| 2.4.2 图像处理方法 | 第42-44页 |
| 2.4.3 边缘检测 | 第44页 |
| 2.4.4 图像的配准 | 第44页 |
| 2.4.5 图像的拼接 | 第44-45页 |
| 2.4.6 图像特征点的提取 | 第45-47页 |
| 2.5 图像处理实现SLAM中地图特征提取 | 第47-48页 |
| 2.6 SLAM中的定位问题 | 第48-52页 |
| 2.6.1 AUV状态方程的建立 | 第48-49页 |
| 2.6.2 特征地图模型的建立 | 第49-50页 |
| 2.6.3 系统状态模型的建立 | 第50-51页 |
| 2.6.4 系统观测模型的建立 | 第51-52页 |
| 2.7 SLAM平台搭建分析 | 第52-56页 |
| 2.7.1 SLAM模型的状态量误差方程 | 第52-54页 |
| 2.7.2 SLAM模型的观测量误差方程 | 第54-55页 |
| 2.7.3 SLAM导航解算分析 | 第55-56页 |
| 2.8 基于可调节系数UKF框架下的SLAM研究 | 第56-63页 |
| 2.8.1 UKF算法步骤 | 第56-58页 |
| 2.8.2 基于新息的可调节系数的UKF算法 | 第58页 |
| 2.8.3 仿真与数据分析 | 第58-60页 |
| 2.8.4 特征序列定位误差分析 | 第60-61页 |
| 2.8.5 “直线段”函数路径下的SLAM仿真实验与分析 | 第61-63页 |
| 2.9 本章小结 | 第63-64页 |
| 第3章 SLAM数据关联算法 | 第64-89页 |
| 3.1 关联门限 | 第65-67页 |
| 3.1.1 矩形关联门限模型 | 第66页 |
| 3.1.2 椭圆形关联门限模型 | 第66-67页 |
| 3.2 SLAM数据关联算法简介 | 第67-69页 |
| 3.3 基于栅格图模糊逻辑的SLAM数据关联算法 | 第69-80页 |
| 3.3.1 模糊逻辑控制理论 | 第69页 |
| 3.3.2 隶属函数 | 第69-70页 |
| 3.3.3 模糊推理及模糊控制器 | 第70-71页 |
| 3.3.4 栅格图模糊逻辑的SLAM数据关联算法 | 第71-76页 |
| 3.3.5 实验仿真与分析 | 第76-78页 |
| 3.3.6 特征点的关联实验验证与分析 | 第78-80页 |
| 3.4 基于最大概率神经网络的SLAM数据关联算法 | 第80-87页 |
| 3.4.1 BP神经网络简介 | 第80-81页 |
| 3.4.2 概率神经网络的结构分析与建模 | 第81-82页 |
| 3.4.3 关联度结果分析 | 第82-85页 |
| 3.4.4 定位误差结果分析 | 第85-87页 |
| 3.5 本章小结 | 第87-89页 |
| 第4章 基于粒子滤波的SLAM算法 | 第89-99页 |
| 4.1 基于SLAM的数据融合算法介绍 | 第89页 |
| 4.2 粒子滤波算法模型 | 第89-90页 |
| 4.3 基于贝叶斯形式的SLAM模型 | 第90-91页 |
| 4.4 序贯重要性采样形式的SLAM模型 | 第91-92页 |
| 4.5 基于重要性重采样形式的SLAM模型 | 第92-94页 |
| 4.6 “对角线”型海底石油管道探测实验仿真与分析 | 第94-98页 |
| 4.6.1 探测区域及实验初始值设置 | 第94-95页 |
| 4.6.2 实验仿真与分析 | 第95-96页 |
| 4.6.3 采样序列定位误差 | 第96-97页 |
| 4.6.4 “对角线”型函数管道探测实验仿真与分析 | 第97-98页 |
| 4.7 本章小结 | 第98-99页 |
| 第5章 基于扩展H_∞滤波的SLAM算法 | 第99-109页 |
| 5.1 H_∞范数及H_∞滤波理论 | 第99-101页 |
| 5.1.1 H_∞范数概念 | 第99页 |
| 5.1.2 H_∞最优滤波理论 | 第99-100页 |
| 5.1.3 H_∞次优滤波理论 | 第100-101页 |
| 5.2 状态方程与观测方程的建立 | 第101-102页 |
| 5.3 EHF滤波器的设计 | 第102-103页 |
| 5.4 仿真与数据分析 | 第103-105页 |
| 5.4.1 实验初始条件设置 | 第103-104页 |
| 5.4.2 两组滤波对比实验 | 第104-105页 |
| 5.4.3 特征点观测 | 第105页 |
| 5.5 “规则曲线”函数管道探测实验仿真与分析 | 第105-108页 |
| 5.6 本章小结 | 第108-109页 |
| 第6章 SLAM中基于超球面分布采样的平方根容积卡尔曼滤波 | 第109-127页 |
| 6.1 CKF算法基本思想 | 第109页 |
| 6.2 高斯滤波器 | 第109-110页 |
| 6.3 求容积规则的描述 | 第110-112页 |
| 6.4 CKF建模 | 第112-113页 |
| 6.5 基于SLAM的超球面平方根容积卡尔曼滤波算法 | 第113-120页 |
| 6.5.1 SRUKF算法 | 第113-115页 |
| 6.5.2 SRCKF-SLAM算法 | 第115-118页 |
| 6.5.3 超球面容积卡尔曼滤波算法 | 第118-119页 |
| 6.5.4 SS-SRCKF算法步骤 | 第119-120页 |
| 6.6 CKF算法仿真实验与分析 | 第120-121页 |
| 6.7 基于SS-SRCKF算法的实验与分析 | 第121-124页 |
| 6.7.1 位置估计误差分析 | 第122-123页 |
| 6.7.2 特征序列误差 | 第123-124页 |
| 6.8 SS-SRCKF算法用于水下有规则物体的探测与定位 | 第124-126页 |
| 6.9 本章小结 | 第126-127页 |
| 第7章 基于SLAM的管道特征地图生成研究 | 第127-136页 |
| 7.1 基于SLAM的管道定位分析 | 第127-129页 |
| 7.2 基于SLAM的SIFT算法研究 | 第129-131页 |
| 7.3 基于SLAM的管道特征地图生成研究 | 第131-135页 |
| 7.4 本章小结 | 第135-136页 |
| 结论 | 第136-138页 |
| 参考文献 | 第138-149页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第149-150页 |
| 致谢 | 第150页 |
