基于Bumblebee XB3的同时定位与地图构建算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1. 绪论 | 第9-14页 |
| 1.1. 选题背景及意义 | 第9-10页 |
| 1.2. 移动机器人的研究现状 | 第10-12页 |
| 1.2.1. 移动机器人国外研究现状 | 第10-11页 |
| 1.2.2. 移动机器人国内研究现状 | 第11-12页 |
| 1.3. 基于视觉的SLAM描述 | 第12-13页 |
| 1.3.1. SLAM中的视觉系统 | 第12页 |
| 1.3.2. 视觉图像特征提取 | 第12-13页 |
| 1.4. 本文的章节安排以及主要工作 | 第13-14页 |
| 2. 移动机器人的视觉平台 | 第14-25页 |
| 2.1. 图像的采集 | 第14页 |
| 2.2. 摄像机模型 | 第14-16页 |
| 2.3. 双目视觉模型 | 第16-17页 |
| 2.4. 照相机标定 | 第17-24页 |
| 2.4.1. 照相机标定的理论知识 | 第18-19页 |
| 2.4.2. 照相机标定的实验结果 | 第19-24页 |
| 2.5. 本章小结 | 第24-25页 |
| 3. 基于双目视觉的图像特征提取与匹配 | 第25-42页 |
| 3.1. 特征提取算法 | 第25-36页 |
| 3.1.1. Harris特征提取算法 | 第25-26页 |
| 3.1.2. SUSAN算子 | 第26-28页 |
| 3.1.3. SIFT特征提取算法 | 第28-30页 |
| 3.1.4. SURF特征提取算法 | 第30-36页 |
| 3.2. 特征匹配算法 | 第36-38页 |
| 3.3. 特征提取和匹配实验 | 第38-41页 |
| 3.4. 本章小结 | 第41-42页 |
| 4. 移动机器人SLAM算法 | 第42-54页 |
| 4.1. 引言 | 第42-43页 |
| 4.2. SLAM的概率模型 | 第43-46页 |
| 4.2.1. 运动模型 | 第44-45页 |
| 4.2.2. 观测模型 | 第45-46页 |
| 4.3. 基于EKF的SLAM算法 | 第46-50页 |
| 4.3.1. 状态预测阶段 | 第47-49页 |
| 4.3.2. 状态更新阶段 | 第49-50页 |
| 4.4. 基于EIF的SLAM算法 | 第50-53页 |
| 4.5. 本章小结 | 第53-54页 |
| 5. 双目视觉SLAM算法 | 第54-63页 |
| 5.1. 环境特征 | 第55-56页 |
| 5.2. 状态预测 | 第56-57页 |
| 5.3. 数据关联 | 第57-59页 |
| 5.3.1. 最近邻数据关联算法 | 第58-59页 |
| 5.4. 状态更新 | 第59-60页 |
| 5.5. 实验仿真 | 第60-62页 |
| 5.6. 本章小结 | 第62-63页 |
| 6. 总结与展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 个人简历 | 第68-69页 |
| 攻读硕士期间发表的论文 | 第69页 |
