| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-15页 |
| 1.2.1 SLAM的研究现状 | 第10-12页 |
| 1.2.2 路径规划研究现状 | 第12-15页 |
| 1.3 论文主要研究内容及安排 | 第15-16页 |
| 第二章 智能车定位与路径规划相关模型构建 | 第16-25页 |
| 2.1 智能车本体模型 | 第16-19页 |
| 2.1.1 坐标系模型 | 第16-17页 |
| 2.1.2 里程计模型 | 第17-18页 |
| 2.1.3 智能车运动模型 | 第18-19页 |
| 2.2 智能车传感器观测模型 | 第19-20页 |
| 2.3 数据关联模型 | 第20-22页 |
| 2.4 智能车SLAM问题的一般模型 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 RBPF-SLAM方法研究与改进 | 第25-38页 |
| 3.1 基于粒子滤波器SLAM算法 | 第25-29页 |
| 3.1.1 Rao-Blackwellised分解 | 第25-26页 |
| 3.1.2 序贯重要性采样（SIS） | 第26-27页 |
| 3.1.3 粒子退化问题及解决办法 | 第27-28页 |
| 3.1.4 粒子滤波算法流程 | 第28-29页 |
| 3.2 问题的提出与描述 | 第29页 |
| 3.3 融合ICP和NDT的回环检测算法 | 第29-33页 |
| 3.3.1 ICP与NDT算法 | 第29-31页 |
| 3.3.2 融合ICP和NDT的回环检测算法 | 第31-33页 |
| 3.4 基于卡尔曼滤波的闭环优化算法 | 第33-35页 |
| 3.4.1 标准卡尔曼滤波技术 | 第33-34页 |
| 3.4.2 基于卡尔曼滤波的闭环优化算法 | 第34-35页 |
| 3.5 基于RBPF的Gmapping算法 | 第35-36页 |
| 3.6 实验与分析 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第四章 基于A*和DWA算法融合的路径规划方法研究 | 第38-47页 |
| 4.1 基于A*算法的全局路径规划 | 第38-41页 |
| 4.1.1 A*算法简介 | 第38-39页 |
| 4.1.2 改进的A*算法 | 第39-40页 |
| 4.1.3 A*算法的仿真实验 | 第40-41页 |
| 4.2 基于DWA算法的局部路径规划 | 第41-44页 |
| 4.2.1 DWA算法简介 | 第41-42页 |
| 4.2.2 DWA算法在智能车上的应用 | 第42-44页 |
| 4.3 基于改进A*和DWA算法的混合路径规划方法 | 第44-46页 |
| 4.3.1 混合路径规划方法介绍 | 第44页 |
| 4.3.2 仿真实验 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于ROS的SLAM和导航实验 | 第47-58页 |
| 5.1 Robotic Operating System简介 | 第47-48页 |
| 5.2 基于ROS的SLAM实验 | 第48-51页 |
| 5.2.1 基于ROS的SLAM功能实现 | 第48-49页 |
| 5.2.2 实验结果与分析 | 第49-51页 |
| 5.3 基于ROS的导航实验 | 第51-57页 |
| 5.3.1 实验平台简介 | 第51-52页 |
| 5.3.2 基于ROS的导航功能实现 | 第52-53页 |
| 5.3.3 实验结果与分析 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58页 |
| 6.2 建议与展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 在读期间公开发表的论文 | 第65-66页 |
| 致谢 | 第66页 |
