| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 课题研究背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 自主定位与构图技术研究历史 | 第13-16页 |
| 1.2.2 无人机视觉SLAM技术研究现状 | 第16-18页 |
| 1.3 基于概率滤波方法的无人机SLAM技术 | 第18-25页 |
| 1.3.1 无人机概率SLAM的理论基础 | 第18-21页 |
| 1.3.2 概率SLAM的数据关联 | 第21-22页 |
| 1.3.3 概率SLAM的环境表示 | 第22-25页 |
| 1.4 论文研究内容与结构 | 第25-27页 |
| 第二章 无人机SLAM方法研究 | 第27-62页 |
| 2.1 无人机SLAM问题建模 | 第27-32页 |
| 2.1.1 飞行环境地图建模表示 | 第28-29页 |
| 2.1.2 数据关联 | 第29页 |
| 2.1.3 滤波算法 | 第29-32页 |
| 2.2 无人机视觉SLAM问题建模 | 第32-51页 |
| 2.2.1 无人机视觉SLAM的相机模型 | 第33-41页 |
| 2.2.2 基于视觉特征检测生成路标点 | 第41-48页 |
| 2.2.3 无人机视觉SLAM中的图像配准 | 第48-50页 |
| 2.2.4 无人机视觉SLAM中的特征关联 | 第50-51页 |
| 2.3 基于运动恢复结构的视觉SLAM算法 | 第51-61页 |
| 2.3.1 无人机视觉SLAM算法实现思想 | 第51-52页 |
| 2.3.2 基于运动恢复结构的视觉SLAM算法 | 第52-55页 |
| 2.3.3 PTAM算法 | 第55-61页 |
| 2.4 本章小结 | 第61-62页 |
| 第三章 无人机飞行环境感知算法实现及优化改进 | 第62-72页 |
| 3.1 算法试验环境 | 第62-66页 |
| 3.1.1 机器人操作系统 | 第62-63页 |
| 3.1.2 无人机飞行平台 | 第63-66页 |
| 3.2 环境感知算法改进 | 第66-69页 |
| 3.2.1 无人机单目相机标定 | 第66-68页 |
| 3.2.2 自适应角点提取算法 | 第68-69页 |
| 3.3 基于改进PTAM算法的飞行试验 | 第69-71页 |
| 3.4 本章小结 | 第71-72页 |
| 第四章 基于无人机环境感知的障碍自动检测与告警技术 | 第72-82页 |
| 4.1 聚类算法分析 | 第72-77页 |
| 4.1.1 聚类算法概述 | 第72-74页 |
| 4.1.2 基于k-d树存储的路标点聚类算法 | 第74-77页 |
| 4.2 障碍物自动检测与告警算法 | 第77-78页 |
| 4.3 飞行试验与结果分析 | 第78-80页 |
| 4.4 本章小结 | 第80-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 5.1 论文工作总结 | 第82页 |
| 5.2 技术展望 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-91页 |
| 作者在学期间取得的学术成果 | 第91页 |