| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 引言 | 第12-13页 |
| 1.2 移动机器人SLAM方法的相关研究 | 第13-16页 |
| 1.2.1 地图表示的研究 | 第14页 |
| 1.2.2 机器人SLAM算法的研究 | 第14-16页 |
| 1.3 本文主要内容与结构 | 第16-18页 |
| 第二章 基于信息稀疏矩阵滤波的Pose-SLAM算法 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 SLAM问题的数学描述 | 第18-19页 |
| 2.3 基于信息稀疏矩阵滤波的Pose-SLAM算法 | 第19-29页 |
| 2.3.1 Pose-SLAM的状态描述与相关基本运算法则 | 第20-21页 |
| 2.3.2 状态增长 | 第21-22页 |
| 2.3.3 状态更新 | 第22-23页 |
| 2.3.4 状态修复 | 第23-24页 |
| 2.3.5 互信息增益 | 第24-25页 |
| 2.3.6 信息剔除 | 第25-27页 |
| 2.3.7 移动机器人运动模型和测量模型的构建 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 面向于SLAM问题的视觉图像信息处理方法研究 | 第30-50页 |
| 3.1 引言 | 第30页 |
| 3.2 基于SURF与RANSAC的图像匹配算法 | 第30-34页 |
| 3.2.1 SURF算法 | 第30-32页 |
| 3.2.2 RANSAC算法 | 第32-34页 |
| 3.3 基于视觉词袋模型的图像筛选与搜索方案 | 第34-44页 |
| 3.3.1 基于视觉词袋模型的图像筛选方案 | 第34-38页 |
| 3.3.2 基于视觉词袋模型的图像搜索方案 | 第38-44页 |
| 3.4 基于视差法的图像深度信息提取方法 | 第44-45页 |
| 3.5 基于奇异值分解的测量信息转化方法 | 第45-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 面向于SLAM问题的物体运动状态检测方法研究 | 第50-58页 |
| 4.1 引言 | 第50页 |
| 4.2 基于三态地图的物体运动状态检测方法 | 第50-51页 |
| 4.3 基于假设检验的物体运动状态检测方法 | 第51-55页 |
| 4.4 本章小结 | 第55-58页 |
| 第五章 仿真结果与分析 | 第58-64页 |
| 5.1 仿真环境与总体算法说明 | 第58-59页 |
| 5.2 动态稀疏环境下物体运动状态检测的对比仿真结果与分析 | 第59-61页 |
| 5.3 动态稀疏环境下移动机器人的自定位对比仿真结果与分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 研究成果及发表的学术论文 | 第72-74页 |
| 作者和导师简介 | 第74-75页 |
| 附件 | 第75-76页 |
