| 中文摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 课题背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-21页 |
| 1.2.1 视觉SLAM算法的研究现状及发展趋势 | 第15-18页 |
| 1.2.2 基于多传感器融合的姿态估计算法的研究现状与发展趋势 | 第18-20页 |
| 1.2.3 室内机器人导航定位技术的研究现状及发展趋势 | 第20-21页 |
| 1.3 论文的研究内容和主要贡献 | 第21-24页 |
| 1.3.1 论文的主要研究内容 | 第21-22页 |
| 1.3.2 论文的主要贡献和创新点 | 第22页 |
| 1.3.3 论文的组织架构 | 第22-24页 |
| 第2章 基于多传感器的建图基础 | 第24-33页 |
| 2.1 基于深度相机的位姿估计 | 第24-30页 |
| 2.1.1 相机特性及标定 | 第24-27页 |
| 2.1.2 ORB-SLAM算法原理 | 第27-30页 |
| 2.2 惯性导航系统的建模与标定 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于卡尔曼滤波的视觉惯导姿态融合算法 | 第33-46页 |
| 3.1 姿态与卡尔曼滤波的定义与原理 | 第33-36页 |
| 3.1.1 姿态的定义与表示 | 第33-35页 |
| 3.1.2 卡尔曼滤波原理 | 第35-36页 |
| 3.2 基于卡尔曼滤波的姿态融合算法 | 第36-41页 |
| 3.2.1 误差状态量的定义与表示 | 第37-38页 |
| 3.2.2 卡尔曼滤波的预测过程 | 第38-40页 |
| 3.2.3 卡尔曼滤波的更新过程 | 第40页 |
| 3.2.4 滤波参数的选取 | 第40-41页 |
| 3.3 实验结果与比对 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于多传感器的室内避障策略 | 第46-61页 |
| 4.1 基于人工势场法的避障算法 | 第46-51页 |
| 4.1.1 人工势场法原理 | 第46-48页 |
| 4.1.2 实验结果 | 第48-51页 |
| 4.2 基于点云地图的视觉避障算法 | 第51-59页 |
| 4.2.1 基于点云地图的视觉避障原理 | 第52-55页 |
| 4.2.2 融合视觉与人工势场法的避障算法 | 第55-56页 |
| 4.2.3 实验结果 | 第56-59页 |
| 4.3 本章小结 | 第59-61页 |
| 第5章 基于视觉的室内定位与导航系统实现 | 第61-71页 |
| 5.1 基于视觉的定位原理与实现 | 第61-65页 |
| 5.1.1 基于视觉的重定位原理 | 第61-64页 |
| 5.1.2 视觉重定位效果 | 第64-65页 |
| 5.2 基于视觉的导航系统的开发环境与实现 | 第65-70页 |
| 5.2.1 视觉导航系统开发环境 | 第65-67页 |
| 5.2.2 视觉导航效果 | 第67-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间的主要学术成果 | 第79-80页 |
| 学位论文评阅及答辩情况表 | 第80页 |