基于激光雷达和深度相机的AGV自主定位方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 引言 | 第9-10页 |
| 1.2 研究背景及意义 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 SLAM研究现状 | 第12-13页 |
| 1.3.2 重定位算法的研究现状 | 第13-14页 |
| 1.3.3 激光SLAM综述 | 第14-16页 |
| 1.4 研究内容及安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 SLAM理论与系统模型 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 基本理论 | 第18-21页 |
| 2.2.1 贝叶斯滤波过程 | 第18-19页 |
| 2.2.2 粒子滤波算法 | 第19-20页 |
| 2.2.3 关键问题 | 第20-21页 |
| 2.3 系统模型 | 第21-25页 |
| 2.3.1 激光雷达 | 第21-23页 |
| 2.3.2 双轮差分运动模型 | 第23-24页 |
| 2.3.3 环境地图模型 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于PLICP-AMCL鲁棒定位方法 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 数据关联与定位 | 第26-32页 |
| 3.2.1 数据关联 | 第26-29页 |
| 3.2.2 PLICP原理及步骤 | 第29-30页 |
| 3.2.3 AMCL算法 | 第30-32页 |
| 3.3 PLICP-AMCL鲁棒定位算法 | 第32-35页 |
| 3.3.1 GPM鲁棒匹配策略 | 第32-34页 |
| 3.3.2 PLICP-AMCL算法 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于视觉特征的重定位“去绑架”算法 | 第36-49页 |
| 4.1 引言 | 第36页 |
| 4.2 计算机视觉相关理论 | 第36-44页 |
| 4.2.1 Kinect标定及针孔模型 | 第36-39页 |
| 4.2.2 ORB特征描述 | 第39-43页 |
| 4.2.3 词袋模型 | 第43-44页 |
| 4.3 基于视觉特征的重定位算法 | 第44-48页 |
| 4.3.1 词汇树生成 | 第45-47页 |
| 4.3.2 相似性判断 | 第47页 |
| 4.3.3 重定位策略 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 算法实现及评估 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 软件和硬件平台 | 第49-51页 |
| 5.2.1 ROS系统框架 | 第49-50页 |
| 5.2.2 Turtlebot机器人 | 第50-51页 |
| 5.3 实验 | 第51-58页 |
| 5.3.1 地图构建实验 | 第51-52页 |
| 5.3.2 改进PLICP定位实验 | 第52-55页 |
| 5.3.3 重定位实验 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结及展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |
