| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 移动机器人发展现状 | 第11-12页 |
| 1.3 移动机器人SLAM研究的主要内容 | 第12-15页 |
| 1.3.1 信息的获取 | 第13页 |
| 1.3.2 地图的表示方法 | 第13-14页 |
| 1.3.3 解决方法 | 第14-15页 |
| 1.4 课题来源及章节安排 | 第15-16页 |
| 第2章 移动机器人系统模型 | 第16-21页 |
| 2.1 引言 | 第16页 |
| 2.2 移动机器人车辆模型 | 第16-17页 |
| 2.3 移动机器人的运动模型 | 第17-18页 |
| 2.4 传感器观测模型 | 第18-19页 |
| 2.5 环境模型 | 第19-20页 |
| 2.6 噪声模型 | 第20页 |
| 2.7 本章小结 | 第20-21页 |
| 第3章 改进的扩展卡尔曼滤波的SLAM算法 | 第21-36页 |
| 3.1 引言 | 第21页 |
| 3.2 标准卡尔曼滤波 | 第21-22页 |
| 3.3 扩展卡尔曼滤波 | 第22-23页 |
| 3.4 无迹卡尔曼滤波 | 第23-26页 |
| 3.4.1 无迹变换 | 第23-24页 |
| 3.4.2 无迹卡尔曼滤波算法 | 第24-26页 |
| 3.5 非线性函数的线性拟合 | 第26-29页 |
| 3.6 线性拟合卡尔曼滤波 | 第29-30页 |
| 3.7 仿真结果 | 第30-34页 |
| 3.8 本章小结 | 第34-36页 |
| 第4章 减少Sigma点的?H的Fast SLAM算法 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 减少Sigma点无迹卡尔曼滤波 | 第36-38页 |
| 4.3 变尺度无迹变换 | 第38-39页 |
| 4.4 FastSLAM算法 | 第39-40页 |
| 4.5 扩展?H滤波 | 第40-42页 |
| 4.6 减少Sigma点的H?FastSLAM的设计与实现 | 第42-45页 |
| 4.6.1 状态预测与更新 | 第42-44页 |
| 4.6.2 路标的更新和初始化 | 第44-45页 |
| 4.7 仿真与分析 | 第45-49页 |
| 4.8 本章小结 | 第49-50页 |
| 第5章 改进的自适应粒子滤波SLAM算法 | 第50-60页 |
| 5.1 引言 | 第50页 |
| 5.2 贝叶斯滤波的原理 | 第50-51页 |
| 5.3 蒙特卡罗方法 | 第51-53页 |
| 5.3.1 序贯重要性采样 | 第51-52页 |
| 5.3.2 粒子退化及重采样 | 第52-53页 |
| 5.4 粒子滤波 | 第53-55页 |
| 5.5 基于KL距离的自适应粒子数的FastSLAM算法 | 第55-57页 |
| 5.5.1 KL信息距离 | 第55-56页 |
| 5.5.2 改进后的自适应粒子滤波算法 | 第56-57页 |
| 5.6 实验仿真 | 第57-59页 |
| 5.7 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67页 |
