| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文研究目的和意义 | 第9页 |
| 1.2 多传感器信息融合的研究现状 | 第9-11页 |
| 1.3 移动机器人定位的研究现状 | 第11-12页 |
| 1.4 本文研究内容和结构 | 第12-15页 |
| 第二章 基于RSSI的移动机器人静态定位算法 | 第15-25页 |
| 2.1 引言 | 第15-16页 |
| 2.2 算法模型 | 第16-19页 |
| 2.2.1 无线信号渐变模型 | 第16页 |
| 2.2.2 三边测距定位算法 | 第16-19页 |
| 2.3 算法步骤 | 第19-20页 |
| 2.4 仿真研究 | 第20-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于修正预测误差的移动机器人跟踪定位算法 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 Kalman滤波 | 第25-27页 |
| 3.3 扩展卡尔曼滤波 | 第27-28页 |
| 3.4 无迹卡尔曼滤波 | 第28-29页 |
| 3.5 基于改进预测模型的移动机器人跟踪定位算法 | 第29页 |
| 3.6 仿真研究 | 第29-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 基于MM-KF的双轮差速驱动移动机器人的定位算法 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 移动机器人的运动模型 | 第35-37页 |
| 4.3 MM-KF滤波算法 | 第37-39页 |
| 4.4 仿真研究 | 第39-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 基于粒子滤波的移动机器人跟踪定位算法 | 第45-57页 |
| 5.1 引言 | 第45页 |
| 5.2 粒子滤波算法 | 第45-47页 |
| 5.2.1 蒙特卡洛采样原理 | 第45-46页 |
| 5.2.2 贝叶斯重要性采样原理 | 第46-47页 |
| 5.3 改进的粒子滤波算法 | 第47-50页 |
| 5.3.1 标准粒子滤波算法 | 第47-48页 |
| 5.3.2 序列重要性采样原理 | 第48-49页 |
| 5.3.3 改进的粒子滤波算法 | 第49-50页 |
| 5.4 仿真研究 | 第50-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文目录 | 第66-67页 |