| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·移动机器人的发展历史和现状 | 第11-13页 |
| ·移动机器人的同时定位与地图创建 | 第13-15页 |
| ·SLAM 问题的理论基础及技术 | 第13-14页 |
| ·SLAM 实现的方法 | 第14页 |
| ·SLAM 发展前景 | 第14-15页 |
| ·课题来源及章节安排 | 第15-16页 |
| 第2章 移动机器人的系统建模 | 第16-22页 |
| ·机器人坐标模型 | 第16-17页 |
| ·环境地图模型 | 第17页 |
| ·机器人位置模型 | 第17页 |
| ·里程计模型 | 第17-18页 |
| ·机器人运动模型 | 第18-19页 |
| ·机器人观测模型 | 第19-20页 |
| ·环境地图的增广模型 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于扩展卡尔曼滤波的 SLAM 算法 | 第22-35页 |
| ·扩展卡尔曼滤波算法 | 第22-27页 |
| ·卡尔曼滤波算法 | 第22-23页 |
| ·扩展卡尔曼 SLAM 算法 | 第23-27页 |
| ·EKF-SLAM 算法存在的问题 | 第27页 |
| ·一些改进的 EKF-SLAM 算法 | 第27-33页 |
| ·基于模糊逻辑的自适应扩展卡尔曼滤波 SLAM 算法 | 第28-30页 |
| ·无迹卡尔曼滤波 SLAM 算法 | 第30-33页 |
| ·改进的 EKF-SLAM 算法存在的问题 | 第33页 |
| ·本章小结 | 第33-35页 |
| 第4章 基于改进雁群 PSO 的模糊自适应 EKF-SLAM 算法 | 第35-46页 |
| ·雁群粒子群算法 | 第35-37页 |
| ·标准粒子群算法 | 第35-36页 |
| ·雁群粒子群算法 | 第36-37页 |
| ·对雁群粒子群算法的改进 | 第37-40页 |
| ·利用分数阶微积分对雁群 PSO 粒子的进化速度进行改进 | 第37-38页 |
| ·利用混沌对雁群 PSO 的粒子初始化及早熟问题进行改进 | 第38-40页 |
| ·利用改进的雁群 PSO 训练模糊自适应 EKF-SLAM 算法 | 第40页 |
| ·仿真实验研究 | 第40-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 T-S 模糊自适应卡尔曼 SLAM 算法 | 第46-58页 |
| ·伪线性系统模型 | 第46-49页 |
| ·伪线性运动模型 | 第46-47页 |
| ·由两个传感器组成的观测模型 | 第47-48页 |
| ·伪线性观测模型 | 第48-49页 |
| ·Takagi-Sugeno（T-S）模糊模型 | 第49-50页 |
| ·T-S 模糊自适应卡尔曼 SLAM 算法 | 第50-52页 |
| ·仿真实验研究 | 第52-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65页 |
