| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 SLAM技术应用领域 | 第9-12页 |
| 1.3 SLAM算法国内外研究现状 | 第12-16页 |
| 1.3.1 SLAM算法国外研究现状 | 第13-14页 |
| 1.3.2 SLAM算法国内研究现状 | 第14-16页 |
| 1.4 研究内容及章节安排 | 第16-18页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 章节安排 | 第16-18页 |
| 2 SLAM理论体系及模型构建 | 第18-28页 |
| 2.1 SLAM问题描述 | 第18-19页 |
| 2.2 SLAM系统框架及研究方案 | 第19-22页 |
| 2.2.1 SLAM系统框架 | 第19-20页 |
| 2.2.2 SLAM研究方案 | 第20-22页 |
| 2.3 SLAM系统模型 | 第22-27页 |
| 2.3.1 坐标系模型 | 第22-23页 |
| 2.3.2 机器人运动模型 | 第23-24页 |
| 2.3.3 机器人观测模型 | 第24-25页 |
| 2.3.4 环境地图表示方法 | 第25-26页 |
| 2.3.5 数据关联模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 粒子滤波算法研究 | 第28-46页 |
| 3.1 粒子滤波基本理论 | 第28-33页 |
| 3.2 粒子滤波算法 | 第33-37页 |
| 3.2.1 粒子滤波的算法流程 | 第34-35页 |
| 3.2.2 粒子滤波算法存在问题 | 第35-37页 |
| 3.3 萤火虫算法及其改进 | 第37-42页 |
| 3.3.1 萤火虫算法 | 第37-39页 |
| 3.3.2 萤火虫算法改进思路 | 第39页 |
| 3.3.3 修正位置更新公式 | 第39-40页 |
| 3.3.4 参数自适应闭环调整策略 | 第40-41页 |
| 3.3.5 改进的萤火虫粒子滤波算法 | 第41-42页 |
| 3.4 仿真实验与性能分析 | 第42-45页 |
| 3.4.1 滤波精度测试 | 第42-44页 |
| 3.4.2 粒子多样性测试 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 基于萤火虫优化粒子滤波的SLAM算法研究 | 第46-60页 |
| 4.1 基于粒子滤波的SLAM算法 | 第46-51页 |
| 4.1.1 Rao-Blackwellised粒子滤波器 | 第46-48页 |
| 4.1.2 Fast SLAM算法实现 | 第48-50页 |
| 4.1.3 SLAM算法存在问题 | 第50-51页 |
| 4.2 改进萤火虫粒子滤波的SLAM算法 | 第51-52页 |
| 4.3 仿真实验与性能分析 | 第52-59页 |
| 4.3.1 算法仿真实验分析 | 第52-57页 |
| 4.3.2 Car park Dataset数据集测试 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 结论与展望 | 第60-61页 |
| 5.1 结论 | 第60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |