| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 引言 | 第10页 |
| 1.2 移动机器人概述及国内外发展 | 第10-13页 |
| 1.2.1 移动机器人定义与分类 | 第10-11页 |
| 1.2.2 国外移动机器人的发展 | 第11-12页 |
| 1.2.3 国内移动机器人的发展 | 第12-13页 |
| 1.3 移动机器人同时定位与地图构建的发展 | 第13-15页 |
| 1.3.1 卡尔曼滤波SLAM | 第14页 |
| 1.3.2 粒子滤波SLAM | 第14-15页 |
| 1.3.3 基于图形的SLAM | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 移动机器人定位与地图构建方法和实验平台 | 第17-31页 |
| 2.1 移动机器人定位与地图构建方法 | 第17-21页 |
| 2.1.1 移动机器人定位方法 | 第17-18页 |
| 2.1.2 移动机器人地图构建方法 | 第18-21页 |
| 2.1.2.1 拓扑地图 | 第19页 |
| 2.1.2.2 栅格地图 | 第19-20页 |
| 2.1.2.3 几何特征地图 | 第20-21页 |
| 2.2 移动机器人实验平台 | 第21-22页 |
| 2.3 移动机器人传感器 | 第22-24页 |
| 2.3.1 内部传感器 | 第22-23页 |
| 2.3.2 外部传感器 | 第23-24页 |
| 2.4 移动机器人模型 | 第24-29页 |
| 2.4.1 里程计模型 | 第24-26页 |
| 2.4.2 移动机器人运动模型 | 第26-28页 |
| 2.4.3 传感器观测模型 | 第28-29页 |
| 2.4.4 移动机器人路标模型 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于卡尔曼滤波算法的移动机器人同时定位与地图构建 | 第31-48页 |
| 3.1 卡尔曼滤波算法 | 第31-34页 |
| 3.2 扩展卡尔曼滤波算法 | 第34-36页 |
| 3.3 扩展卡尔曼滤波算法实现 | 第36-45页 |
| 3.4 EKF-SLAM仿真实验 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于粒子滤波算法的移动机器人同时定位与地图构建 | 第48-62页 |
| 4.1 粒子滤波算法 | 第48-55页 |
| 4.1.1 贝叶斯滤波算法 | 第48-50页 |
| 4.1.2 蒙特卡洛积分 | 第50-51页 |
| 4.1.3 标准粒子滤波算法 | 第51-53页 |
| 4.1.4 标准粒子滤波中粒子退化问题 | 第53-55页 |
| 4.2 粒子滤波算法在SLAM中的应用 | 第55-59页 |
| 4.3 FastSLAM仿真实验 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于ROS的移动机器人同时定位与地图构建 | 第62-69页 |
| 5.1 ROS基本概述 | 第62-65页 |
| 5.1.1 ROS基本概念 | 第62-63页 |
| 5.1.2 ROS中工具 | 第63-65页 |
| 5.2 实验平台在ROS中实现 | 第65-67页 |
| 5.3 实验结果与分析 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 结论与展望 | 第69-71页 |
| 6.1 研究工作总结 | 第69页 |
| 6.2 研究展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |