室内环境下脑控轮椅的定位与导航技术
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状与进展 | 第12-15页 |
| 1.2.1 脑控轮椅 | 第12-13页 |
| 1.2.2 定位与导航技术 | 第13-15页 |
| 1.3 拟解决的关键问题及研究任务 | 第15-16页 |
| 1.4 论文各章节主要内容 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 脑控轮椅实验平台 | 第18-24页 |
| 2.1 脑控轮椅系统 | 第18-19页 |
| 2.2 传感器 | 第19-22页 |
| 2.2.1 旋转编码器 | 第20-21页 |
| 2.2.2 激光测距仪 | 第21-22页 |
| 2.3 环境地图表示方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 即时定位与地图创建 | 第24-40页 |
| 3.1 SLAM问题及描述 | 第24-25页 |
| 3.2 粒子滤波器 | 第25-31页 |
| 3.2.1 贝叶斯框架 | 第25-27页 |
| 3.2.2 粒子 | 第27页 |
| 3.2.3 采样 | 第27-29页 |
| 3.2.4 粒子滤波算法 | 第29-30页 |
| 3.2.5 运动模型和感知模型 | 第30-31页 |
| 3.3 基于RBPF的SLAM方法 | 第31-32页 |
| 3.3.1 算法描述 | 第31-32页 |
| 3.3.2 存在的问题 | 第32页 |
| 3.4 改进的SLAM方法 | 第32-37页 |
| 3.4.1 ICP算法 | 第33-34页 |
| 3.4.2 基于ICP算法的位姿估计 | 第34-35页 |
| 3.4.3 改进的粒子滤波SLAM算法 | 第35-37页 |
| 3.5 实验与结果分析 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 脑控轮椅自定位技术 | 第40-49页 |
| 4.1 自定位问题 | 第40-41页 |
| 4.2 MCL算法 | 第41-42页 |
| 4.3 有效的自定位算法 | 第42-44页 |
| 4.3.1 初始粒子集矫正 | 第42-43页 |
| 4.3.2 自定位算法 | 第43-44页 |
| 4.4 实验与结果分析 | 第44-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 室内环境中静态障碍物定位 | 第49-61页 |
| 5.1 问题描述 | 第49-50页 |
| 5.2 基于轮廓的障碍物定位方法 | 第50-55页 |
| 5.2.1 图像矫正 | 第51页 |
| 5.2.2 障碍物分割 | 第51-52页 |
| 5.2.3 轮廓提取与拟合 | 第52-53页 |
| 5.2.4 相机平面到地平面 | 第53-54页 |
| 5.2.5 求取地平面上轮廓交集 | 第54-55页 |
| 5.3 轮廓过拟合问题 | 第55-57页 |
| 5.3.1 过拟合检测 | 第55-57页 |
| 5.3.2 过拟合处理 | 第57页 |
| 5.4 实验与结果分析 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 路径规划与路径跟踪控制 | 第61-71页 |
| 6.1 导航控制 | 第61页 |
| 6.2 路径规划 | 第61-65页 |
| 6.2.1 路径规划算法 | 第61-63页 |
| 6.2.2 Voronoi图 | 第63-64页 |
| 6.2.3 Dijkstra算法 | 第64页 |
| 6.2.4 小结 | 第64-65页 |
| 6.3 路径跟踪控制 | 第65-70页 |
| 6.3.1 脑控轮椅动力学模型 | 第65-66页 |
| 6.3.2 路径跟踪控制策略 | 第66-68页 |
| 6.3.3 控制器设计 | 第68-69页 |
| 6.3.4 实验与结果分析 | 第69-70页 |
| 6.4 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附件 | 第79页 |
