| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 无线传感器网络概述 | 第12-14页 |
| 1.2.1 无线传感器网络体系结构 | 第12-13页 |
| 1.2.2 无线传感器网络特征分析 | 第13-14页 |
| 1.2.3 无线传感器网络的主要应用领域 | 第14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.4 本文研究内容及论文组织结构 | 第16-17页 |
| 第2章 基于WSN的机器人定位跟踪理论 | 第17-27页 |
| 2.1 移动机器人跟踪关键技术 | 第17-20页 |
| 2.1.1 机器人定位技术 | 第17页 |
| 2.1.2 无线传感器网络定位技术 | 第17-19页 |
| 2.1.3 无线传感器网络目标跟踪技术 | 第19-20页 |
| 2.2 典型目标运动模型 | 第20-23页 |
| 2.2.1 匀速和匀加速模型 | 第20-21页 |
| 2.2.2 一阶时间相关模型 | 第21-22页 |
| 2.2.3 目标“当前”统计模型 | 第22页 |
| 2.2.4 转弯模型 | 第22-23页 |
| 2.3 基于WSN的移动机器人跟踪研究 | 第23-26页 |
| 2.3.1 基于WSN的移动机器人跟踪典型算法与系统 | 第23-24页 |
| 2.3.2 技术特点及存在的问题 | 第24-25页 |
| 2.3.3 基于WSN的机器人跟踪性能评价 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于TDOA的机器人定位算法研究 | 第27-39页 |
| 3.1 定位算法分类 | 第27页 |
| 3.2 无线传感器网络的定位算法 | 第27-29页 |
| 3.2.1 节点定位机制 | 第27-28页 |
| 3.2.2 基于测距定位算法 | 第28-29页 |
| 3.3 基于TDOA的极大似然-质心加权定位算法 | 第29-35页 |
| 3.3.1 基于TDOA目标定位模型的建立 | 第29-31页 |
| 3.3.2 质心算法 | 第31-32页 |
| 3.3.3 极大似然-质心加权算法设计 | 第32-35页 |
| 3.4 定位算法仿真实验与数据分析 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于Sigma点卡尔曼滤波的移动机器人跟踪算法研究 | 第39-55页 |
| 4.1 目标状态模型概述 | 第39-40页 |
| 4.1.1 目标状态空间模型 | 第39页 |
| 4.1.2 状态估计 | 第39-40页 |
| 4.2 扩展卡尔曼滤波算法 | 第40-44页 |
| 4.2.1 机器人运动模型的建立 | 第40-42页 |
| 4.2.2 基于扩展卡尔曼滤波机器人跟踪算法 | 第42-44页 |
| 4.3 Sigma点卡尔曼滤波算法研究 | 第44-48页 |
| 4.3.1 无迹变换 | 第45-47页 |
| 4.3.2 基于SPKF算法的机器人跟踪算法 | 第47-48页 |
| 4.4 仿真实验与结果分析 | 第48-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 基于交互式多模型的移动机器人跟踪研究 | 第55-65页 |
| 5.1 交互式多模型算法 | 第55-58页 |
| 5.1.1 交互式多模型算法原理 | 第55-57页 |
| 5.1.2 交互式多模型算法性能分析 | 第57-58页 |
| 5.2 基于交互式多模型的移动机器人跟踪算法设计 | 第58-61页 |
| 5.2.1 运动模型选择分析 | 第58-59页 |
| 5.2.2 IMM-EKF算法 | 第59-61页 |
| 5.2.3 IMM-SPKF算法 | 第61页 |
| 5.3 仿真实验与结果分析 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第75-77页 |
| 作者简介 | 第77页 |