| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 论文的研究背景及意义 | 第10-11页 |
| 1.2 移动机器人地图构建技术 | 第11-13页 |
| 1.2.1 移动机器人地图构建技术的研究现状 | 第11-12页 |
| 1.2.2 移动机器人地图构建技术的关键问题 | 第12-13页 |
| 1.3 移动机器人同步定位与地图构建 | 第13-16页 |
| 1.3.1 SLAM的研究现状 | 第13-15页 |
| 1.3.2 SLAM的关键问题 | 第15-16页 |
| 1.4 论文的主要内容和结构安排 | 第16-18页 |
| 第2章 SLAM模型构建 | 第18-27页 |
| 2.1 SLAM系统模型设计 | 第18-22页 |
| 2.1.1 坐标系模型 | 第18-19页 |
| 2.1.2 机器人的运动模型 | 第19-20页 |
| 2.1.3 传感器的观测模型 | 第20-21页 |
| 2.1.4 环境特征模型 | 第21-22页 |
| 2.2 SLAM理论框架设计 | 第22-26页 |
| 2.2.1 SLAM基本原理 | 第22-24页 |
| 2.2.2 SLAM联合状态向量构建 | 第24页 |
| 2.2.3 SLAM概率模型优化 | 第24-25页 |
| 2.2.4 SLAM理论框架设计 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 AEKF-SLAM算法设计 | 第27-48页 |
| 3.1 基于EKF的SLAM算法 | 第27-30页 |
| 3.1.1 扩展卡尔曼滤波(EKF) | 第27-29页 |
| 3.1.2 EKF-SLAM算法 | 第29-30页 |
| 3.2 AEKF-SLAM算法设计 | 第30-41页 |
| 3.2.1 AEKF改进 | 第30-32页 |
| 3.2.2 状态向量和协方差矩阵构建 | 第32-33页 |
| 3.2.3 模型线性化 | 第33-34页 |
| 3.2.4 环境特征提取 | 第34页 |
| 3.2.5 数据关联 | 第34-36页 |
| 3.2.6 状态向量更新 | 第36-40页 |
| 3.2.7 状态向量扩维 | 第40-41页 |
| 3.3 仿真结果与分析 | 第41-47页 |
| 3.3.1 仿真环境设计 | 第41-43页 |
| 3.3.2 EKF-SLAM算法步骤 | 第43-44页 |
| 3.3.3 改进的AEKF-SLAM算法步骤 | 第44页 |
| 3.3.4 仿真结果分析 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 WO-FastSLAM算法设计 | 第48-66页 |
| 4.1 基于RBPF的SLAM算法 | 第48-51页 |
| 4.1.1 Rao-Blackwellised粒子滤波(RBPF) | 第48-49页 |
| 4.1.2 FastSLAM算法 | 第49-51页 |
| 4.2 WO-FastSLAM算法设计 | 第51-58页 |
| 4.2.1 权重优选理论(WO) | 第51页 |
| 4.2.2 机器人位姿估计 | 第51-54页 |
| 4.2.3 粒子权重计算 | 第54-55页 |
| 4.2.4 地图估计 | 第55-57页 |
| 4.2.5 状态扩维 | 第57-58页 |
| 4.3 仿真结果与分析 | 第58-64页 |
| 4.3.1 仿真环境设计 | 第58-59页 |
| 4.3.2 FastSLAM算法步骤 | 第59-60页 |
| 4.3.3 WO-FastSLAM算法步骤 | 第60页 |
| 4.3.4 仿真结果分析 | 第60-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的学术成果 | 第73-74页 |
| 致谢 | 第74页 |