| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 环境感知与SLAM | 第14-15页 |
| 1.2.2 目标检测与深度学习 | 第15-17页 |
| 1.2.3 语义地图 | 第17-18页 |
| 1.3 研究内容和章节安排 | 第18-21页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 章节安排 | 第19-21页 |
| 第二章 基于RGBD相机的室内地图构建 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 SLAM数学描述 | 第21-22页 |
| 2.3 视觉SLAM数学描述 | 第22-25页 |
| 2.3.1 视觉SLAM | 第22-23页 |
| 2.3.2 帧间估计 | 第23-24页 |
| 2.3.3 闭环检测 | 第24-25页 |
| 2.3.4 地图构建 | 第25页 |
| 2.4 视觉SLAM方案 | 第25-29页 |
| 2.4.1 基于RGBD相机的视觉SLAM系统设计 | 第25-26页 |
| 2.4.2 特征检测与匹配 | 第26页 |
| 2.4.3 李代数与帧间估计 | 第26-28页 |
| 2.4.4 词袋模型与闭环检测 | 第28页 |
| 2.4.5 地图构建 | 第28-29页 |
| 2.5 实验 | 第29-32页 |
| 2.5.1 闭环检测和地图构建 | 第29-31页 |
| 2.5.2 算法评价实验 | 第31-32页 |
| 2.5.3 重定位 | 第32页 |
| 2.6 本章总结 | 第32-33页 |
| 第三章 基于深度学习的语义标注地图 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 基于区域选择的深度学习方法 | 第33-36页 |
| 3.2.1 深度学习方法与传统方法对比 | 第33-34页 |
| 3.2.2 卷积神经网络 | 第34-35页 |
| 3.2.3 基于区域选择的深度学习目标检测算法 | 第35-36页 |
| 3.3 单帧图像的语义标注 | 第36-37页 |
| 3.3.1 基于Mask-RCNN的单帧图像语义标注 | 第36页 |
| 3.3.2 单帧图像的语义标注服务器 | 第36-37页 |
| 3.4 语义标注地图构建 | 第37-39页 |
| 3.4.1 地图表达 | 第37-39页 |
| 3.4.2 地图更新 | 第39页 |
| 3.5 实验 | 第39-41页 |
| 3.5.1 单帧语义标注服务 | 第39-41页 |
| 3.5.2 语义标记地图构建 | 第41页 |
| 3.6 本章总结 | 第41-43页 |
| 第四章 面向物体的语义地图构建 | 第43-51页 |
| 4.1 引言 | 第43页 |
| 4.2 语义与SLAM关系 | 第43-44页 |
| 4.3 物体的构建 | 第44-46页 |
| 4.4 数据匹配 | 第46-47页 |
| 4.5 物体融合 | 第47-48页 |
| 4.6 地图构建 | 第48页 |
| 4.7 实验 | 第48-50页 |
| 4.8 本章总结 | 第50-51页 |
| 第五章 面向本体的语义地图构建 | 第51-61页 |
| 5.1 引言 | 第51页 |
| 5.2 语义地图本体建模 | 第51-55页 |
| 5.2.1 本体技术 | 第51-52页 |
| 5.2.2 本体层次 | 第52-55页 |
| 5.3 本体推理 | 第55-57页 |
| 5.3.1 本体规则和推理机 | 第55-56页 |
| 5.3.2 基于规则的本体知识发现 | 第56-57页 |
| 5.4 实验 | 第57-60页 |
| 5.4.1 实例添加 | 第57-58页 |
| 5.4.2 规则定义 | 第58-60页 |
| 5.4.3 实例查询 | 第60页 |
| 5.5 本章总结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 6.1 结论 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |
| 硕士期间参加的科研工作 | 第69-70页 |
| 附件 | 第70页 |