非线性滤波在移动机器人SLAM中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-13页 |
| ·课题研究目的与意义 | 第7页 |
| ·移动机器人同时定位与地图构建概述 | 第7-9页 |
| ·SLAM定义与关键性问题 | 第7-8页 |
| ·SLAM的发展历史与国内外研究现状 | 第8-9页 |
| ·滤波理论在SLAM中的应用概述 | 第9-12页 |
| ·滤波理论的发展 | 第9-10页 |
| ·滤波理论在SLAM中的应用和现状 | 第10-12页 |
| ·本文结构安排和主要工作 | 第12-13页 |
| 2 SLAM的地图创建与系统建模 | 第13-20页 |
| ·环境表示方法 | 第13-14页 |
| ·栅格地图 | 第13页 |
| ·特征地图 | 第13-14页 |
| ·拓扑地图 | 第14页 |
| ·移动机器人系统建模 | 第14-18页 |
| ·坐标系统模型 | 第14-15页 |
| ·机器人位姿模型 | 第15页 |
| ·里程计或控制命令模型 | 第15页 |
| ·机器人运动模型 | 第15-16页 |
| ·环境地图模型 | 第16页 |
| ·传感器观测模型 | 第16-17页 |
| ·环境特征动态模型 | 第17页 |
| ·环境特征的增广模型 | 第17-18页 |
| ·传感器噪声模型和系统噪声模型 | 第18页 |
| ·SLAM算法的数据关联问题 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 基于扩展卡尔曼滤波的SLAM研究 | 第20-35页 |
| ·移动机器人的定位 | 第20-21页 |
| ·扩展卡尔曼滤波器 | 第21-22页 |
| ·非线性系统建模与EKF的SLAM算法 | 第22-27页 |
| ·系统各状态向量 | 第22-23页 |
| ·系统的动态模型和观测模型 | 第23页 |
| ·EKF SLAM的算法和性质 | 第23-27页 |
| ·仿真实验结果与分析 | 第27-34页 |
| ·本章小结 | 第34-35页 |
| 4 UKF在SLAM中的应用研究 | 第35-44页 |
| ·UKF算法介绍 | 第35-37页 |
| ·UKF应用于SLAM | 第37-38页 |
| ·UKF SLAM算法的改进 | 第38-39页 |
| ·仿真实验结果与分析 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 5 改进的粒子滤波算法在SLAM中的应用 | 第44-62页 |
| ·粒子滤波算法 | 第44-47页 |
| ·贝叶斯滤波 | 第44-45页 |
| ·序贯重要采样法(SIS) | 第45-46页 |
| ·样本退化及其处理方法 | 第46-47页 |
| ·Fast SLAM算法介绍 | 第47-50页 |
| ·基本原理 | 第47-48页 |
| ·FAST SLAM算法的实现 | 第48-50页 |
| ·基于UKF的Fast SLAM改进算法 | 第50-53页 |
| ·采样新位姿 | 第51-53页 |
| ·更新被观测的环境特征估计 | 第53页 |
| ·基于IEKF的Fast SLAM算法改进 | 第53-56页 |
| ·迭代扩展卡尔曼滤波 | 第53-54页 |
| ·改进的Fast SLAM算法 | 第54-56页 |
| ·仿真实验结果与分析 | 第56-61页 |
| ·本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| ·总结 | 第62页 |
| ·展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
