基于RGB-D的移动机器人实时定位与建图研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究的背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 论文主要研究内容和框架 | 第12-14页 |
| 1.3.1 论文主要内容 | 第12-13页 |
| 1.3.2 论文结构框架 | 第13-14页 |
| 第2章 视觉里程计的研究与实现 | 第14-42页 |
| 2.1 特征点检测 | 第14-26页 |
| 2.1.1 Harris角点检测 | 第15-18页 |
| 2.1.2 SIFT特征点检测与提取 | 第18-23页 |
| 2.1.3 ORB特征检测与提取 | 第23-26页 |
| 2.2 特征点匹配 | 第26-28页 |
| 2.2.1 k-d树 | 第26-27页 |
| 2.2.2 局部敏感哈希 | 第27-28页 |
| 2.3 相机模型 | 第28-31页 |
| 2.4 相机成像畸变模型 | 第31-32页 |
| 2.5 深度摄像机标定 | 第32-33页 |
| 2.6 相机帧间运动恢复 | 第33-38页 |
| 2.6.1 对极几何 | 第33-34页 |
| 2.6.2 本质矩阵的运动恢复 | 第34-36页 |
| 2.6.3 PnP求解运动 | 第36-38页 |
| 2.6.4 RANSAC算法 | 第38页 |
| 2.7 里程计实验与分析 | 第38-41页 |
| 2.8 本章小结 | 第41-42页 |
| 第3章 SLAM后端优化 | 第42-53页 |
| 3.1 基于贝叶斯的滤波器方法 | 第42-44页 |
| 3.2 优化方法 | 第44-50页 |
| 3.2.1 高斯牛顿法 | 第45-46页 |
| 3.2.2 列文伯格-马夸尔特法 | 第46-47页 |
| 3.2.3 优化问题的简单图表示 | 第47页 |
| 3.2.4 图优化问题的稀疏性和求解方法 | 第47-49页 |
| 3.2.5 关键帧选择和局部地图构建 | 第49-50页 |
| 3.3 里程计后端优化测试与分析 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 闭环检测以及地图构建 | 第53-59页 |
| 4.1 闭环检测 | 第53-57页 |
| 4.1.1 词典(BoW) | 第54-55页 |
| 4.1.2 相似度计算 | 第55-56页 |
| 4.1.3 位姿图 | 第56-57页 |
| 4.2 建图 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 RGB-D SLAM总体实现与验证 | 第59-68页 |
| 5.1 RGB-D SLAM总体实现 | 第59-61页 |
| 5.1.1 RGB-D SLAM之里程计 | 第59-60页 |
| 5.1.2 后端优化程序实现 | 第60-61页 |
| 5.1.3 闭环检测程序实现 | 第61页 |
| 5.2 环境搭建 | 第61-62页 |
| 5.3 性能试验 | 第62-67页 |
| 5.3.1 特征点提取算法比较 | 第62-65页 |
| 5.3.2 关键帧实验 | 第65页 |
| 5.3.3 闭环检测实验 | 第65-66页 |
| 5.3.4 总体定位精度实验 | 第66页 |
| 5.3.5 各模块时间实验 | 第66-67页 |
| 5.3.6 八叉树地图生成 | 第67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
