| 作者简历 | 第7-9页 |
| 摘要 | 第9-15页 |
| Abstract | 第15-16页 |
| Chapter 1 Introduction | 第23-41页 |
| 1.1 Background | 第23-26页 |
| 1.1.1 Topic Source | 第23页 |
| 1.1.2 Motivation | 第23-26页 |
| 1.2 Challenges of MAV Indoor Application | 第26-30页 |
| 1.2.1 Applications and Development Trend of MAV | 第26-29页 |
| 1.2.2 Research Issues of MAV Indoor Application | 第29-30页 |
| 1.3 Literature Review | 第30-39页 |
| 1.3.1 Indoor Localization | 第30-35页 |
| 1.3.2 Path Planning | 第35-38页 |
| 1.3.3 Development Trend and Problems | 第38-39页 |
| 1.4 Overview of Contributions | 第39页 |
| 1.5 Outline of Chapters | 第39-41页 |
| Chapter 2 Proposed Approach Overview | 第41-56页 |
| 2.1 3-D VSN System Setup | 第41-45页 |
| 2.1.1 System Architecture Design | 第42-43页 |
| 2.1.2 3-D Visual Sensor Selection | 第43-45页 |
| 2.2 MAV Flight Control | 第45-50页 |
| 2.2.1 Hardware System Architecture | 第46-48页 |
| 2.2.2 Flight Control Architecture | 第48-50页 |
| 2.3 Proposed Approach Implementation | 第50-55页 |
| 2.3.1 3-D Environment Reconstruction | 第52-53页 |
| 2.3.2 Data Fusion Localization | 第53-54页 |
| 2.3.3 Energy-Optimal Path Planning | 第54-55页 |
| 2.4 Chapter Summary | 第55-56页 |
| Chapter 3 3-D VSN-Based Panoramic Environment Reconstruction | 第56-86页 |
| 3.1 Camera Calibration and Depth Image Preprocessing | 第56-66页 |
| 3.1.1 Coordinates Establishment | 第56-59页 |
| 3.1.2 Calibration | 第59-61页 |
| 3.1.3 Proposed Hole Filling Algorithm | 第61-66页 |
| 3.2 3-D Reconstruction Approach Flow | 第66-68页 |
| 3.2.1 Point Cloud Generating | 第66-67页 |
| 3.2.2 Point Cloud Registration | 第67-68页 |
| 3.3 Feature Extraction and Matching | 第68-77页 |
| 3.3.1 SURF Feature Extraction and Descriptor | 第69-75页 |
| 3.3.2 SURF Feature Matching | 第75-77页 |
| 3.4 ICP-based Transformation Estimation | 第77-80页 |
| 3.4.1 Feature Merging | 第77页 |
| 3.4.2 RANSAC Based Correspondence Rejection | 第77-79页 |
| 3.4.3 ICP-based Transformation Estimation | 第79-80页 |
| 3.5 Experimental Evaluation | 第80-85页 |
| 3.5.1 Kinect Calibration | 第81-83页 |
| 3.5.2 Environment Modeling | 第83-85页 |
| 3.6 Chapter Summary | 第85-86页 |
| Chapter 4 High-precision Data Fusion Based Localization | 第86-103页 |
| 4.1 Mapping and Localization | 第86-89页 |
| 4.1.1 Simultaneous Localization and Mapping | 第86-88页 |
| 4.1.2 Localization with Pre-generated Maps | 第88页 |
| 4.1.3 Proposed Localization Method | 第88-89页 |
| 4.2 Target Detection | 第89-93页 |
| 4.2.1 Image Segmentation | 第91页 |
| 4.2.2 Morphological Filtering | 第91-92页 |
| 4.2.3 3-D Single-view Localization | 第92-93页 |
| 4.3 KCF-based Data Fusion Localization | 第93-97页 |
| 4.3.1 Mathematical Description | 第94-95页 |
| 4.3.2 Localization Algorithm Description | 第95-97页 |
| 4.4 Experimental Evaluation | 第97-101页 |
| 4.4.1 Target Detection | 第97-99页 |
| 4.4.2 KCF-based Data Fusion Localization | 第99-101页 |
| 4.5 Chapter Summary | 第101-103页 |
| Chapter 5 Heuristic Energy-Optimal 3-D Path Planning | 第103-117页 |
| 5.1 Procedure of Path Planning Approach | 第103-106页 |
| 5.2 Problem Formulation | 第106-108页 |
| 5.2.1 Planning Space Modeling | 第106-107页 |
| 5.2.2 Dynamic Model of MAV | 第107-108页 |
| 5.3 Energy Consumption Estimation and Modelling | 第108-111页 |
| 5.3.1 Most Energy Efficient Speed | 第108-110页 |
| 5.3.2 Energy Consumption Modeling | 第110-111页 |
| 5.4 Path Planning With Motion Uncertainty | 第111-113页 |
| 5.5 Simulations and Results | 第113-116页 |
| 5.5.1 Simulation Settings | 第113-114页 |
| 5.5.2 Performance Comparison Experiments | 第114-115页 |
| 5.5.3 Grid Size Experiments | 第115-116页 |
| 5.6 Chapter Summary | 第116-117页 |
| Chapter 6 Conclusions and Future Work | 第117-121页 |
| 6.1 Conclusions | 第117-119页 |
| 6.1.1 Summary | 第117-118页 |
| 6.1.2 Critical Analysis | 第118-119页 |
| 6.2 Future Work | 第119-121页 |
| Acknowledgements | 第121-123页 |
| References | 第123-135页 |
