| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 符号使用说明 | 第10-11页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 室内场景扫描与分析概述 | 第12-19页 |
| 1.1.1 室内场景的数据获取 | 第13-17页 |
| 1.1.2 室内场景的分析 | 第17-19页 |
| 1.2 机器人环境感知和探索概述 | 第19-21页 |
| 1.2.1 机器人环境感知技术应用现状 | 第19-20页 |
| 1.2.2 机器人环境探索 | 第20页 |
| 1.2.3 面向室内环境的三维感知 | 第20-21页 |
| 1.2.4 基于主动交互的场景分析 | 第21页 |
| 1.3 本文的研究工作 | 第21-22页 |
| 1.4 本文的组织结构 | 第22-24页 |
| 第二章 室内场景物体分析 | 第24-34页 |
| 2.1 系统运行基本流程 | 第24-25页 |
| 2.2 基于patch的平面检测算法 | 第25-27页 |
| 2.2.1 室内场景模型的预处理 | 第25页 |
| 2.2.2 平面patch的标记与去除 | 第25-27页 |
| 2.3 室内场景的扫描与分析算法 | 第27-34页 |
| 2.3.1 物体假设的生成 | 第29-30页 |
| 2.3.2 物体假设的选择 | 第30-32页 |
| 2.3.3 在线切割代价学习 | 第32-34页 |
| 第三章 基于熵的主动式分割结果验证 | 第34-44页 |
| 3.1 寻找获得最大信息增量的NBP | 第35-39页 |
| 3.1.1 分割与重建的联合熵定义 | 第36-37页 |
| 3.1.2 最大信息增量 | 第37-38页 |
| 3.1.3 后验熵的计算 | 第38-39页 |
| 3.2 NBP的物理可行性 | 第39-42页 |
| 3.2.1 机器人推动物体的规则 | 第39-41页 |
| 3.2.2 物体位移检测与追踪 | 第41-42页 |
| 3.3 精化扫描与验证结果集成 | 第42-44页 |
| 3.3.1 针对物体的精化扫描 | 第42页 |
| 3.3.2 场景分割验证结果的集成 | 第42-43页 |
| 3.3.3 迭代算法结束条件 | 第43-44页 |
| 第四章 主动式重建与分析系统 | 第44-51页 |
| 4.1 系统软件构成 | 第44-46页 |
| 4.1.1 系统运行的基本数据存储构成 | 第44-45页 |
| 4.1.2 体素数据存储结构 | 第45-46页 |
| 4.1.3 辅助场景分析算法运行所需视图 | 第46页 |
| 4.2 系统硬件构成 | 第46-51页 |
| 4.2.1 PR2机器人 | 第46-48页 |
| 4.2.2 Microsoft Kinect深度摄像机 | 第48-50页 |
| 4.2.3 运行KinectFusion和场景分析算法的计算机端 | 第50-51页 |
| 第五章 实验设计与结果评估 | 第51-61页 |
| 5.1 真实室内场景重建与分析结果 | 第51-53页 |
| 5.2 量化评估与对比 | 第53-60页 |
| 5.2.1 根据真实测试场景构建ground truth | 第53-54页 |
| 5.2.2 带物体分割场景重建质量的量化评估方法 | 第54-55页 |
| 5.2.3 带物体分割的场景重建算法的性能评估 | 第55-56页 |
| 5.2.4 不使用学习算法情况下场景分割算法的性能评估 | 第56-57页 |
| 5.2.5 使用学习算法情况下场景分割算法的性能评估 | 第57-58页 |
| 5.2.6 主动式验证的效果评估 | 第58-59页 |
| 5.2.7 NBP选择算法的评估与对比 | 第59-60页 |
| 5.3 算法的失效情况与局限性 | 第60-61页 |
| 5.3.1 算法的失效情况 | 第60页 |
| 5.3.2 算法的局限性 | 第60-61页 |
| 第六章 结语 | 第61-63页 |
| 6.1 全文工作总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者在学期间取得的学术成果 | 第68页 |
