| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 引言 | 第9-10页 |
| 1.2 移动机器人研究概述 | 第10-11页 |
| 1.3 移动机器人定位与地图构建概述 | 第11-14页 |
| 1.3.1 移动机器人定位 | 第11-13页 |
| 1.3.2 地图构建 | 第13-14页 |
| 1.4 移动机器人同时定位与地图构建(SLAM)概述 | 第14-17页 |
| 1.4.1 SLAM问题描述 | 第14页 |
| 1.4.2 SLAM问题的解决方法 | 第14-16页 |
| 1.4.3 SLAM研究的关键问题 | 第16-17页 |
| 1.5 论文研究内容与组织结构 | 第17-19页 |
| 第2章 SLAM问题的相关模型 | 第19-29页 |
| 2.1 SLAM问题的数学模型 | 第19-22页 |
| 2.1.1 SLAM问题的基本模型 | 第19-21页 |
| 2.1.2 SLAM问题的概率描述 | 第21-22页 |
| 2.2 移动机器人系统模型 | 第22-28页 |
| 2.2.1 坐标系统模型 | 第22页 |
| 2.2.2 环境地图模型 | 第22-23页 |
| 2.2.3 机器人模型 | 第23页 |
| 2.2.4 机器人位置模型 | 第23-24页 |
| 2.2.5 机器人运动模型 | 第24-25页 |
| 2.2.6 传感器观测模型 | 第25-26页 |
| 2.2.7 环境特征动态模型 | 第26-27页 |
| 2.2.8 环境特征增广模型 | 第27页 |
| 2.2.9 噪声模型 | 第27-28页 |
| 2.3 联合状态向量的动态模型 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于卡尔曼滤波器的SLAM算法 | 第29-44页 |
| 3.1 卡尔曼滤波算法(KF) | 第29-34页 |
| 3.1.1 线性卡尔曼滤波算法(LKF) | 第29-31页 |
| 3.1.2 扩展卡尔曼滤波算法(EKF) | 第31-32页 |
| 3.1.3 无迹卡尔曼滤波算法(UKF) | 第32-34页 |
| 3.2 扩展卡尔曼滤波SLAM算法(EKF-SLAM算法) | 第34-37页 |
| 3.3 无迹卡尔曼滤波SLAM算法(UKF-SLAM算法) | 第37-38页 |
| 3.4 仿真实验与结果分析 | 第38-43页 |
| 3.4.1 实验模型 | 第38-39页 |
| 3.4.2 仿真实验环境 | 第39页 |
| 3.4.3 仿真结果与分析 | 第39-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于观测范围约束的改进EKF-SLAM算法 | 第44-61页 |
| 4.1 传感器模型 | 第44-46页 |
| 4.1.1 激光传感器介绍 | 第44-45页 |
| 4.1.2 观测范围约束的传感器模型 | 第45-46页 |
| 4.2 数据关联 | 第46-47页 |
| 4.2.1 数据关联概述 | 第46页 |
| 4.2.2 最近邻算法(NN) | 第46-47页 |
| 4.3 基于观测范围约束的改进EKF-SLAM算法 | 第47-53页 |
| 4.3.1 改进EKF-SLAM算法描述 | 第47-49页 |
| 4.3.2 改进EKF-SLAM算法步骤 | 第49-53页 |
| 4.4 仿真实验与结果分析 | 第53-60页 |
| 4.4.1 实验模型 | 第53页 |
| 4.4.2 仿真实验环境 | 第53-54页 |
| 4.4.3 仿真结果与分析 | 第54-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间参加的科研项目和成果 | 第68页 |
