| 摘要 | 第5-8页 |
| ABSTRACT | 第8-11页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 选题的背景及意义 | 第14-16页 |
| 1.2 研究现状 | 第16-19页 |
| 1.2.1 RGB-DSLAM的研究现状 | 第16-17页 |
| 1.2.2 SLAM闭环检测研究现状 | 第17-19页 |
| 1.3 本文研究内容与章节安排 | 第19-21页 |
| 1.4 本章小结 | 第21-22页 |
| 第2章 RGB-DSLAM系统流程 | 第22-31页 |
| 2.1 传感器数据获取 | 第22-24页 |
| 2.1.1 激光雷达传感器 | 第23页 |
| 2.1.2 单目相机 | 第23页 |
| 2.1.3 双目相机 | 第23-24页 |
| 2.1.4 RGB-D传感器 | 第24页 |
| 2.2 视觉里程计(Visual Odometry) | 第24-28页 |
| 2.2.1 特征提取算法 | 第24-26页 |
| 2.2.2 帧间配准 | 第26-27页 |
| 2.2.3 运动估计 | 第27-28页 |
| 2.2.4 累积误差 | 第28页 |
| 2.3 后端优化 | 第28-29页 |
| 2.4 闭环检测 | 第29页 |
| 2.5 地图构建 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 RGB-D传感器介绍及数据获取 | 第31-42页 |
| 3.1 Kinect 2.0传感器介绍 | 第31-36页 |
| 3.1.1 Kinect 2.0硬件结构 | 第31-32页 |
| 3.1.2 相机模型 | 第32-34页 |
| 3.1.3 相机畸变 | 第34-36页 |
| 3.2 Kinect图像获取 | 第36-37页 |
| 3.3 Kinect标定实验 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于视觉词典树的SLAM闭环检测研究 | 第42-53页 |
| 4.1 闭环检测的作用 | 第42-43页 |
| 4.2 闭环检测中的视觉词典树模型 | 第43-48页 |
| 4.2.1 BoVW表示场景的基本流程 | 第44-46页 |
| 4.2.2 分层视觉词典树构造 | 第46-47页 |
| 4.2.3 图像索引 | 第47-48页 |
| 4.3 改进的BoVW模型构造的视觉词典树 | 第48-49页 |
| 4.4 计算场景相似度 | 第49-50页 |
| 4.4.1 相似性计算 | 第49-50页 |
| 4.4.2 归一化 | 第50页 |
| 4.5 回环验证 | 第50-52页 |
| 4.5.1 时间连续性验证 | 第50-51页 |
| 4.5.2 空间一致性验证 | 第51-52页 |
| 4.5.3 对极几何约束验证 | 第52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 基于Turtlebot的SLAM闭环检测实验研究 | 第53-65页 |
| 5.1 实验平台搭建 | 第53-56页 |
| 5.1.1 硬件平台搭建 | 第53-54页 |
| 5.1.2 软件平台搭建 | 第54-56页 |
| 5.2 标准数据集对比实验及结果分析 | 第56-60页 |
| 5.2.1 SLAM闭环检测验证实验 | 第56-58页 |
| 5.2.2 基于K中心聚类改进算法的验证实验 | 第58-60页 |
| 5.3 实际室内场景实验及结果分析 | 第60-63页 |
| 5.4 本章小结 | 第63-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读学位期间发表的学术论文目录 | 第72-73页 |
| 致谢 | 第73-74页 |