| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1. 课题的研究背景及研究意义 | 第7-8页 |
| 1.2. 论文研究内容 | 第8-9页 |
| 1.3. 论文组织结构 | 第9-11页 |
| 第2章 同步定位与地图构建问题(SLAM) | 第11-20页 |
| 2.1. 机器人SLAM背景和研究现状 | 第11-12页 |
| 2.2. SLAM问题的难点 | 第12-13页 |
| 2.2.1 SLAM的不确定性信息 | 第12页 |
| 2.2.2 数据关联问题 | 第12-13页 |
| 2.2.3 建图的主要问题 | 第13页 |
| 2.3. SLAM算法分类 | 第13-16页 |
| 2.3.1 基于扩展卡尔曼滤波的SLAM方法 | 第13-14页 |
| 2.3.2 基于粒子滤波的SLAM方法 | 第14页 |
| 2.3.3 基于视觉的SLAM方法 | 第14-16页 |
| 2.4. 传感器的选择 | 第16-17页 |
| 2.4.1 外部传感器 | 第16页 |
| 2.4.2 内部传感器 | 第16-17页 |
| 2.5. 卡尔曼滤波技术概述 | 第17-20页 |
| 2.5.1 线性卡尔曼滤波器 | 第17-18页 |
| 2.5.2 扩展卡尔曼滤波器 | 第18-20页 |
| 第3章 基于屋顶特征的机器人视觉SLAM | 第20-32页 |
| 3.1 系统概述 | 第20-21页 |
| 3.2 机器人空间运动模型 | 第21-24页 |
| 3.2.1 机器人的位置模型 | 第21-22页 |
| 3.2.2 机器人运动模型 | 第22页 |
| 3.2.3 摄像机模型 | 第22-24页 |
| 3.2.4 全局坐标系到机器人坐标系的转换 | 第24页 |
| 3.3 基于屋顶特征的EKF-SLAM实现 | 第24-29页 |
| 3.3.1 EKF运动模型 | 第25-26页 |
| 3.3.2 EKF观察模型 | 第26-27页 |
| 3.3.3 特征点提取和跟踪 | 第27页 |
| 3.3.4 三维路标点 | 第27-29页 |
| 3.4 地图管理 | 第29-32页 |
| 3.4.1 地图初始化 | 第29-30页 |
| 3.4.2 添加新路标点 | 第30页 |
| 3.4.3 更新路标点 | 第30-32页 |
| 第4章 室内自主路径搜索 | 第32-38页 |
| 4.1 移动机器人导航技术研究现状 | 第32-33页 |
| 4.2 基于视觉的导航技术 | 第33-35页 |
| 4.2.1 机器人导航中的定位 | 第33-34页 |
| 4.2.2 机器人导航中的地图 | 第34-35页 |
| 4.3 自主路径搜索的研究现状 | 第35-36页 |
| 4.4 栅格地图的建立 | 第36页 |
| 4.5 基于栅格地图自主路径搜索和导航 | 第36-38页 |
| 第5章 实验和结果 | 第38-46页 |
| 5.1 EKF-SLAM仿真 | 第38-40页 |
| 5.2 机器人的同步定位与地图创建 | 第40-42页 |
| 5.3 自主路径搜索和导航实验 | 第42-46页 |
| 第6章 总结与展望 | 第46-49页 |
| 6.1 本文工作总结 | 第46-48页 |
| 6.1.1 机器人同步定位与地图构建算法研究与实现 | 第46页 |
| 6.1.2 基于栅格地图的机器人导航 | 第46-48页 |
| 6.2 工作展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |