| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 室内测量机器人的研究背景与意义 | 第9页 |
| 1.1.2 SLAM技术的研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 测绘机器人的国内外研究现状 | 第10-11页 |
| 1.2.2 SLAM技术的国内外研究现状 | 第11-12页 |
| 1.3 本文的关键技术 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-14页 |
| 2 SLAM基本原理 | 第14-24页 |
| 2.1 地图的表达方式 | 第14-16页 |
| 2.1.1 栅格地图 | 第14页 |
| 2.1.2 几何特征地图 | 第14-15页 |
| 2.1.3 拓扑地图 | 第15-16页 |
| 2.2 SLAM算法理论 | 第16-17页 |
| 2.3 测绘机器人系统设计与构建 | 第17-23页 |
| 2.3.1 硬件元件 | 第18-19页 |
| 2.3.2 测绘机器人底盘设计 | 第19-21页 |
| 2.3.3 机器人操作系统ROS | 第21-22页 |
| 2.3.4 数据获取与传输 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 Hector SLAM算法 | 第24-31页 |
| 3.1 Hector SLAM系统概况 | 第24-25页 |
| 3.2 基于Hector SLAM的自主建图的算法 | 第25-28页 |
| 3.2.1 地图获取 | 第25-26页 |
| 3.2.2 扫描匹配 | 第26-27页 |
| 3.2.3 多分辨率地图表示 | 第27-28页 |
| 3.3 Hector SLAM算法实验 | 第28-30页 |
| 3.3.1 仿真实验 | 第28-29页 |
| 3.3.2 真实环境实验 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 Gmapping SLAM算法 | 第31-40页 |
| 4.1 粒子滤波理论基础 | 第31-34页 |
| 4.2 RBPF算法 | 第34-36页 |
| 4.2.1 RBPF改进建议分布函数 | 第34-35页 |
| 4.2.2 RBPF自适应重采样 | 第35-36页 |
| 4.3 Gmapping算法实验 | 第36-38页 |
| 4.3.1 仿真实验 | 第36-38页 |
| 4.3.2 真实环境实验 | 第38页 |
| 4.4 本章小结 | 第38-40页 |
| 5 Cartographer算法 | 第40-51页 |
| 5.1 局部 2D SLAM问题 | 第40-41页 |
| 5.2 闭环检测 | 第41-45页 |
| 5.2.1SPA优化问题 | 第42页 |
| 5.2.2 分支定界扫描匹配（BBS） | 第42-45页 |
| 5.3 Cartographer算法实验 | 第45-46页 |
| 5.3.1 仿真实验 | 第45页 |
| 5.3.2 真实环境实验 | 第45-46页 |
| 5.4 Cartographer和Hector SLAM、Gmapping算法的对比分析 | 第46-49页 |
| 5.4.1 仿真实验对比分析 | 第46-47页 |
| 5.4.2 真实环境实验对比分析 | 第47-49页 |
| 5.5 测绘机器人在项目中的应用 | 第49-50页 |
| 5.6 本章小节 | 第50-51页 |
| 6 测绘机器人定位与导航 | 第51-60页 |
| 6.1 自适应蒙特卡洛定位 | 第51-54页 |
| 6.1.1 自适应蒙特卡洛定位原理 | 第51-52页 |
| 6.1.2 实验与分析 | 第52-54页 |
| 6.2 基于神经网络的定位方法 | 第54-58页 |
| 6.2.1 基于前向反馈网络（FFNN）的定位方法 | 第55-56页 |
| 6.2.2 基于卷积神经网络（CNN）的定位方法 | 第56-58页 |
| 6.3 神经网络定位实验 | 第58-59页 |
| 6.3.1 训练数据集获取 | 第58页 |
| 6.3.2 基于神经网络的定位实验 | 第58-59页 |
| 6.4 本章小结 | 第59-60页 |
| 7 总结与展望 | 第60-62页 |
| 7.1 总结 | 第60-61页 |
| 7.2 创新点 | 第61页 |
| 7.3 展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间论文发表与科研情况 | 第67页 |
