基于CUDA的FastSLAM算法并行化研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 主要符号说明 | 第7-8页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.2 国内外研究概况 | 第10-13页 |
| 1.3 本文内容及章节安排 | 第13-14页 |
| 第二章 粒子滤波、扩展卡尔滤波及CUDA基本原理 | 第14-29页 |
| 2.1 粒子滤波（PF） | 第14-17页 |
| 2.2 扩展卡尔曼滤波（EKF） | 第17-24页 |
| 2.2.1 卡尔曼滤波来源（KF） | 第17-18页 |
| 2.2.2 滤波计算过程 | 第18-19页 |
| 2.2.3 卡尔曼滤波算法 | 第19-20页 |
| 2.2.4 EKF的过程估计 | 第20-21页 |
| 2.2.5 扩展卡尔曼滤波 | 第21-24页 |
| 2.3 并行计算和CUDA基本原理 | 第24-28页 |
| 2.3.1 并行计算基本概念 | 第24-25页 |
| 2.3.2 CUDA实现原理 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 加速重采样的FASTSLAM | 第29-46页 |
| 3.1 SLAM的概率描 | 第29-30页 |
| 3.2 FASTSLAM算法实现 | 第30-33页 |
| 3.2.1 粒子滤波路径估计 | 第30-31页 |
| 3.2.2 路标位置估计 | 第31-32页 |
| 3.2.3 计算权重 | 第32页 |
| 3.2.4 数据关联 | 第32-33页 |
| 3.3 加速重采样的FASTSLAM算法 | 第33-39页 |
| 3.3.1 重采样算法描述 | 第33-34页 |
| 3.3.2 可并行化分析及改进 | 第34-39页 |
| 3.4 模拟实验及分析 | 第39-45页 |
| 3.4.1 实验对象与实验环境 | 第39-40页 |
| 3.4.2 实验结果及分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 加速路标估计过程的FASTSLAM | 第46-52页 |
| 4.1 使用EKF的路标估计 | 第46-47页 |
| 4.2 路标估计实现分析 | 第47-48页 |
| 4.3 EKF估计在GPU上的实现 | 第48-49页 |
| 4.4 实验结果及分析 | 第49-51页 |
| 4.4.1 实验环境 | 第49页 |
| 4.4.2 结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 全文总结 | 第52-54页 |
| 5.1 主要工作 | 第52页 |
| 5.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 附录A 实验结果 | 第57-63页 |
| 个人简历 在读期间科研情况 | 第63-64页 |
| 致谢 | 第64页 |
