| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| ·课题研究背景及意义 | 第13-14页 |
| ·机器人SLAM问题涉及的理论 | 第14-16页 |
| ·多机器人协同定位与环境地图构建(CSLAM)的研究现状 | 第16-17页 |
| ·本文研究的主要内容与组织结构 | 第17-18页 |
| ·研究的主要内容 | 第17页 |
| ·本文的组织结构 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第二章 多机器人协作系统 | 第19-29页 |
| ·多机器人系统结构 | 第19-21页 |
| ·集中式 | 第19-20页 |
| ·分布式 | 第20页 |
| ·混合式 | 第20-21页 |
| ·多机器人系统模型 | 第21-28页 |
| ·坐标系统模型 | 第22页 |
| ·机器人位置模型 | 第22-23页 |
| ·机器人运动模型 | 第23-25页 |
| ·环境地图表示模型 | 第25-26页 |
| ·传感器观测模型 | 第26页 |
| ·多机器人观测模型 | 第26-27页 |
| ·噪声模型 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于扩展卡尔曼滤波的多机器人SLAM算法 | 第29-50页 |
| ·卡尔曼滤波器(KF) | 第29-30页 |
| ·扩展卡尔曼滤波器(EKF) | 第30-32页 |
| ·EKF-SLAM算法的实现 | 第32-34页 |
| ·扩展卡尔曼滤波联合神经网络的SLAM方法 | 第34-42页 |
| ·多层前向网络模型 | 第35-36页 |
| ·基于卡尔曼滤波的神经网络学习算法 | 第36-37页 |
| ·雅可比矩阵的计算 | 第37-38页 |
| ·扩展卡尔曼滤波联合前向网络实现SLAM的过程 | 第38-42页 |
| ·多机器人的EKF-SLAM方法 | 第42-49页 |
| ·多机器人的相对观测 | 第43-44页 |
| ·多机器人坐标转换 | 第44-45页 |
| ·多机器人的地图融合 | 第45-47页 |
| ·多机器人路标匹配 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于粒子滤波器的多机器人SLAM方法 | 第50-60页 |
| ·粒子滤波算法 | 第50-52页 |
| ·FastSLAM方法 | 第52-53页 |
| ·蚁群算法改进的FastSLAM | 第53-55页 |
| ·蚁群算法的基本原理 | 第53-55页 |
| ·蚁群算法实现的F-stSLAM(ACS-FastSLAM) | 第55页 |
| ·基于ACS-FastSLAM的多机器人SLAM | 第55-59页 |
| ·初始位置已知的多机器人ACS-FastSLAM方法 | 第55-57页 |
| ·初始位置未知的多机器人ACS-FastSLAM方法 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 多机器人SLAM的实验仿真 | 第60-70页 |
| ·仿真平台的建立 | 第60-61页 |
| ·改进的EKF-FNN-CSLAM算法实验 | 第61-65页 |
| ·基于ACS-FastSLAM算法的实验 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 结束语 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间发表的论文 | 第75-77页 |
| 致谢 | 第77页 |
