| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-34页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 智能车辆的研究现状 | 第13-23页 |
| 1.2.1 智能车辆的国外研究现状 | 第13-19页 |
| 1.2.2 智能车辆的国内研究现状 | 第19-23页 |
| 1.3 智能车SLAM的研究现状 | 第23-29页 |
| 1.3.1 SLAM的发展进程 | 第23-24页 |
| 1.3.2 SLAM关键技术的研究现状 | 第24-29页 |
| 1.4 论文研究内容及主要成果 | 第29-34页 |
| 1.4.1 论文研究内容 | 第29-31页 |
| 1.4.2 论文的主要成果 | 第31-34页 |
| 第2章 智能车SLAM系统的相关模型 | 第34-40页 |
| 2.1 引言 | 第34页 |
| 2.2 坐标系定义 | 第34-35页 |
| 2.3 车辆运动学模型 | 第35页 |
| 2.4 传感器观测模型 | 第35-36页 |
| 2.5 环境地图模型 | 第36页 |
| 2.6 数据关联模型 | 第36-37页 |
| 2.7 SLAM问题的概率模型 | 第37-38页 |
| 2.8 本章小结 | 第38-40页 |
| 第3章 圆型特征提取方法及自适应渐消EKFSLAM方法 | 第40-56页 |
| 3.1 引言 | 第40页 |
| 3.2 圆型特征提取方法 | 第40-45页 |
| 3.2.1 基于激光雷达的圆型特征提取方法 | 第40-43页 |
| 3.2.2 特征提取方法的实验验证 | 第43-45页 |
| 3.3 基于扩展卡尔曼滤波的SLAM算法 | 第45-46页 |
| 3.4 自适应渐消EKFSLAM算法 | 第46-51页 |
| 3.4.1 自适应渐消EKF的原理 | 第46-48页 |
| 3.4.2 基于AFEKF的SLAM算法 | 第48-51页 |
| 3.5 实验分析 | 第51-54页 |
| 3.6 本章小结 | 第54-56页 |
| 第4章 基于改进粒子滤波器的同时定位与地图构建研究 | 第56-86页 |
| 4.1 引言 | 第56页 |
| 4.2 基于粒子滤波器的FastSLAM算法 | 第56-60页 |
| 4.2.1 FastSLAM算法的基本思想 | 第56-59页 |
| 4.2.2 FastSLAM算法的不足 | 第59-60页 |
| 4.3 强跟踪平方根中心差分卡尔曼滤波的设计 | 第60-65页 |
| 4.3.1 中心差分卡尔曼滤波的原理与分析 | 第60-62页 |
| 4.3.2 强跟踪平方根中心差分卡尔曼滤波 | 第62-65页 |
| 4.4 基于改进建议分布函数和部分重采样策略的FastSLAM算法 | 第65-73页 |
| 4.4.1 车辆状态估计 | 第66-68页 |
| 4.4.2 粒子权重计算 | 第68-69页 |
| 4.4.3 环境地图估计 | 第69-70页 |
| 4.4.4 部分重采样 | 第70-72页 |
| 4.4.5 提出SLAM算法的流程 | 第72-73页 |
| 4.5 实验结果及分析 | 第73-83页 |
| 4.5.1 仿真实验与分析 | 第73-79页 |
| 4.5.2 基于停车场数据集的实验与分析 | 第79-82页 |
| 4.5.3 基于维多利亚公园数据集的实验与分析 | 第82-83页 |
| 4.6 本章小结 | 第83-86页 |
| 第5章 SLAM中的数据关联算法研究 | 第86-110页 |
| 5.1 引言 | 第86页 |
| 5.2 数据关联问题的分类及解决方法 | 第86-90页 |
| 5.2.1 SLAM数据关联问题的分类 | 第86-87页 |
| 5.2.2 基于单个观测的独立匹配关联算法 | 第87-88页 |
| 5.2.3 基于多个观测的联合匹配关联算法 | 第88-90页 |
| 5.3 基于聚类分组策略和中心差分联合兼容准则的数据关联算法 | 第90-97页 |
| 5.3.1 联合兼容分支定界算法的复杂度分析 | 第91页 |
| 5.3.2 基于OPTICS和中心差分联合兼容准则的数据关联算法 | 第91-97页 |
| 5.4 基于启发式优先搜索策略的数据关联算法 | 第97-101页 |
| 5.4.1 基于跳跃行为和自适应步长改进的人工鱼群算法 | 第98-99页 |
| 5.4.2 基于改进人工鱼群算法优化的数据关联算法 | 第99-101页 |
| 5.5 实验结果和分析 | 第101-108页 |
| 5.5.1 仿真实验与分析 | 第102-107页 |
| 5.5.2 基于维多利亚公园数据集的实验与分析 | 第107-108页 |
| 5.6 本章小结 | 第108-110页 |
| 第6章 基于扫描匹配与粒子滤波器的SLAM算法 | 第110-124页 |
| 6.1 引言 | 第110页 |
| 6.2 扫描匹配方法的分析 | 第110-114页 |
| 6.2.1 扫描匹配方法 | 第111-112页 |
| 6.2.2 迭代最近点算法 | 第112-113页 |
| 6.2.3 正态分布转换算法 | 第113-114页 |
| 6.3 基于ICP算法与粒子滤波器的点云地图构建与定位 | 第114-118页 |
| 6.3.1 基于ICP算法的车辆定位 | 第114-116页 |
| 6.3.2 基于粒子滤波器的组合定位 | 第116页 |
| 6.3.3 点云地图构建 | 第116-118页 |
| 6.4 实验结果与分析 | 第118-123页 |
| 6.4.1 基于停车场数据集的实验结果与分析 | 第118-121页 |
| 6.4.2 基于BJUT-IV的实验结果与分析 | 第121-123页 |
| 6.5 本章小结 | 第123-124页 |
| 结论 | 第124-128页 |
| 论文的主要工作总结 | 第124-125页 |
| 论文的主要创新点 | 第125-126页 |
| 展望 | 第126-128页 |
| 参考文献 | 第128-140页 |
| 攻读博士学位期间的主要研究成果 | 第140-142页 |
| 致谢 | 第142页 |
