| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 移动机器人的发展历史和现状 | 第10页 |
| 1.3 移动机器人的同时定位与地图创建 | 第10-13页 |
| 1.3.1 SLAM问题的理论基础及技术 | 第11-12页 |
| 1.3.2 SLAM实现的方法 | 第12-13页 |
| 1.3.3 SLAM发展前景 | 第13页 |
| 1.4 本文主要研究内容与章节安排 | 第13-15页 |
| 第2章 移动机器人的系统建模 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 坐标系统模型 | 第15页 |
| 2.3 环境模型 | 第15-16页 |
| 2.4 机器人模型 | 第16-18页 |
| 2.4.1 机器人车体模型 | 第16页 |
| 2.4.2 机器人运动模型 | 第16-18页 |
| 2.5 运动控制模型 | 第18-19页 |
| 2.6 传感器观测模型 | 第19-20页 |
| 2.7 环境特征增广模型 | 第20页 |
| 2.8 本章小结 | 第20-21页 |
| 第3章 基于扩展卡尔曼滤波的SLAM方法 | 第21-34页 |
| 3.1 引言 | 第21页 |
| 3.2 SLAM问题描述 | 第21-22页 |
| 3.3 扩展卡尔曼滤波算法SLAM方法简介 | 第22-27页 |
| 3.3.1 卡尔曼滤波算法 | 第22-24页 |
| 3.3.2 基于扩展卡尔曼滤波的SLAM方法 | 第24-26页 |
| 3.3.3 EKFSLAM算法的优缺点 | 第26-27页 |
| 3.4 基于粒子滤波的SLAM方法 | 第27-30页 |
| 3.4.1 粒子滤波算法 | 第27-28页 |
| 3.4.2 Fast SLAM算法 | 第28-30页 |
| 3.4.3 基于粒子滤波的SLAM方法优缺点 | 第30页 |
| 3.5 基于无迹卡尔曼滤波SLAM方法 | 第30-33页 |
| 3.5.1 UT变换 | 第31-32页 |
| 3.5.2 UKF-SLAM算法 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 基于混沌MPSO优化的FASTSLAM算法 | 第34-44页 |
| 4.1 引言 | 第34页 |
| 4.2 改进的粒子群优化算法 | 第34-37页 |
| 4.2.1 中值导向PSO算法 | 第35-36页 |
| 4.2.2 利用混沌对MPSO进行优化 | 第36-37页 |
| 4.3 基于混沌优化MPSOFASTSLAM的算法 | 第37-39页 |
| 4.4 仿真实验研究及其分析 | 第39-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 基于残差归一化STFSRUKF自适应SLAM算法 | 第44-53页 |
| 5.1 引言 | 第44页 |
| 5.2 基于残差归一化的STFSRUKF的自适应SLAM算法 | 第44-49页 |
| 5.2.1 残差归一化的STF的基本算法 | 第44-47页 |
| 5.2.2 残差归一化的STFSRUKF-SLAM算法 | 第47-49页 |
| 5.3 仿真实验研究及其分析 | 第49-51页 |
| 5.4 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |
