| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 主要研究内容 | 第10页 |
| 1.4 章节安排 | 第10-12页 |
| 第二章 Kinect 传感器相关技术 | 第12-22页 |
| 2.1 Kinect 摄像机 | 第12-16页 |
| 2.1.1 Kinect 的工作原理 | 第12-13页 |
| 2.1.2 摄像机模型 | 第13-15页 |
| 2.1.3 Kinect 数学模型 | 第15-16页 |
| 2.2 RGBD-SLAM 算法 | 第16-21页 |
| 2.2.1 SIFT/SURF 特征提取 | 第17-18页 |
| 2.2.2 RANSAC 运动估计 | 第18页 |
| 2.2.3 GICP 点云匹配 | 第18-19页 |
| 2.2.4 g2o 图优化 | 第19-20页 |
| 2.2.5 OctoMap 三维立体栅格地图创建 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 惯性导航原理及误差分析 | 第22-27页 |
| 3.1 惯性导航系统概述 | 第22页 |
| 3.2 惯性导航原理 | 第22-26页 |
| 3.2.1 坐标系 | 第22-24页 |
| 3.2.2 姿态解算 | 第24-25页 |
| 3.2.3 位移估计 | 第25-26页 |
| 3.3 传感器误差分析 | 第26页 |
| 3.3.1 陀螺仪误差分析 | 第26页 |
| 3.3.2 加速度计误差分析 | 第26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 融合 IMU 和 Kinect 传感器的自主定位算法 | 第27-37页 |
| 4.1 基于 Kinect 传感器的视觉里程计 | 第27-29页 |
| 4.2 融合 Kinect 与 IMU 的机器人定位算法 | 第29-36页 |
| 4.2.0 扩展卡尔曼滤波器 | 第29-32页 |
| 4.2.1 预测方程的建立 | 第32-33页 |
| 4.2.2 观测方程的建立 | 第33-34页 |
| 4.2.3 基于扩展卡尔曼滤波的融合定位算法 | 第34-35页 |
| 4.2.4 时间同步 | 第35-36页 |
| 4.3 本章小结 | 第36-37页 |
| 第五章 移动机器人定位与制图算法的设计与实现 | 第37-53页 |
| 5.1 实验硬件平台 | 第37-40页 |
| 5.1.1 实验硬件平台体系结构 | 第37-38页 |
| 5.1.2 传感器介绍 | 第38-39页 |
| 5.1.3 三轮全向移动机器人的运动学方程 | 第39-40页 |
| 5.2 软件测试平台 | 第40-46页 |
| 5.2.1 ROS 操作系统 | 第40-42页 |
| 5.2.2 软件架构 | 第42页 |
| 5.2.3 软件实现 | 第42-46页 |
| 5.3 定位实验的结果与分析 | 第46-52页 |
| 5.3.1 不同运动模式下的定位效果对比 | 第47-49页 |
| 5.3.2 不同局部场景下的定位效果对比 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间发表的论文 | 第60-61页 |
| 大摘要 | 第61-65页 |