| 摘要 | 第5-6页 |
| Absract | 第6-11页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题研究背景与研究意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 云机器人研究现状 | 第13-17页 |
| 1.2.2 单目视觉里程计研究现状 | 第17-19页 |
| 1.3 论文内容与章节安排 | 第19-23页 |
| 第2章 RGB-D图像序列获取和处理 | 第23-37页 |
| 2.1 Kinect视觉系统分析 | 第23-27页 |
| 2.1.1 Kinect视觉平台 | 第23-24页 |
| 2.1.2 OpenNI框架 | 第24-25页 |
| 2.1.3 Kinect图像获取 | 第25-27页 |
| 2.2 RGB-D图像融合及信息转换 | 第27-30页 |
| 2.2.1 彩色图像与深度图像对齐 | 第27-29页 |
| 2.2.2 ROS下CV_Bridge图像信息转换 | 第29-30页 |
| 2.2.3 ROS下MSG消息传输机制 | 第30页 |
| 2.3 彩色图像视觉特征处理 | 第30-35页 |
| 2.3.1 基于FAST算法的视觉特征提取 | 第30-31页 |
| 2.3.2 BRIEF算法的视觉特征描述与匹配 | 第31-33页 |
| 2.3.3 RANSAC算法除噪 | 第33-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 基于位姿阈值的关键帧提取 | 第37-51页 |
| 3.1 位姿信息获取 | 第37-40页 |
| 3.1.1 视觉里程计阐述 | 第37-39页 |
| 3.1.2 运动图像序列的特征跟踪 | 第39-40页 |
| 3.2 机器人运动估计 | 第40-43页 |
| 3.2.1 旋转运动的表示 | 第40-42页 |
| 3.2.2 奇异值分解求解运动信息 | 第42-43页 |
| 3.3 图像序列关键帧提取 | 第43-50页 |
| 3.3.1 运动阈值设计 | 第44页 |
| 3.3.2 旋转矩阵转化为旋转角 | 第44-45页 |
| 3.3.3 关键帧提取与验证算法 | 第45-46页 |
| 3.3.4 关键帧提取实验与分析 | 第46-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 机器人系统与AWS云计算平台搭建 | 第51-63页 |
| 4.1 机器人系统搭建 | 第51-55页 |
| 4.1.1 ROS系统框架 | 第51-54页 |
| 4.1.2 机器人硬件系统 | 第54-55页 |
| 4.2 AWS亚马逊云服务 | 第55-59页 |
| 4.2.1 AWS云服务 | 第55-56页 |
| 4.2.2 AWS基础存储架构Dynamo | 第56-57页 |
| 4.2.3 EC2弹性计算云 | 第57-58页 |
| 4.2.4 EC2的负载均衡和通信机制 | 第58-59页 |
| 4.3 基于AWS的云机器人平台构建 | 第59-61页 |
| 4.3.1 AWS机器镜像选择 | 第59页 |
| 4.3.2 EC2实例创建及安全组设定 | 第59-60页 |
| 4.3.3 EC2实例访问连接与容错机制 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第5章 数据通信协议与传输链路设计 | 第63-77页 |
| 5.1 图像传输通信协议 | 第63-70页 |
| 5.1.1 TCP/IP协议 | 第64-68页 |
| 5.1.2 Websocket通信协议 | 第68-70页 |
| 5.2 通信链路设计 | 第70-72页 |
| 5.2.1 基于socket的通信链路 | 第70-71页 |
| 5.2.2 基于RosBridge的通信链路 | 第71-72页 |
| 5.3 通信链路实验与性能分析 | 第72-76页 |
| 5.3.1 通信链路实验 | 第72-74页 |
| 5.3.2 通信链路实验性能分析 | 第74-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |