| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 基于视觉的SLAM的研究现状 | 第9-12页 |
| 1.3 云机器人的研究概况 | 第12-13页 |
| 1.4 论文主要工作及结构安排 | 第13-15页 |
| 第二章 单目视觉SLAM算法 | 第15-31页 |
| 2.1 单目视觉SLAM算法原理 | 第15-18页 |
| 2.2 基于滤波的单目SLAM方法 | 第18-21页 |
| 2.2.1 基于EKF的单目SLAM算法 | 第18-20页 |
| 2.2.2 基于粒子滤波的SLAM算法 | 第20-21页 |
| 2.3 基于关键帧BA的单目视觉SLAM算法 | 第21-26页 |
| 2.3.1 PTAM算法 | 第22-23页 |
| 2.3.2 ORB SLAM算法 | 第23-26页 |
| 2.4 基于直接跟踪的单目视觉SLAM算法 | 第26-29页 |
| 2.4.1 DTAM算法 | 第26-28页 |
| 2.4.2 LSD-SLAM算法 | 第28-29页 |
| 2.5 各类单目视觉SLAM系统比较 | 第29-31页 |
| 第三章 RGB-D SLAM算法 | 第31-47页 |
| 3.1 深度传感器介绍 | 第31-37页 |
| 3.1.1 深度传感器简介 | 第31页 |
| 3.1.2 深度传感器原理 | 第31-35页 |
| 3.1.3 深度传感器优缺点 | 第35-37页 |
| 3.2 RGB-D SLAM方法总体介绍 | 第37页 |
| 3.3 RGB-D算法的前端 | 第37-41页 |
| 3.3.1 特征检测与描述符提取 | 第38-39页 |
| 3.3.2 特征匹配 | 第39-40页 |
| 3.3.3 运动状态估计与优化 | 第40-41页 |
| 3.4 RGB-D算法的后端 | 第41-47页 |
| 3.4.1 位姿图构建 | 第42-43页 |
| 3.4.2 回环检测 | 第43-45页 |
| 3.4.3 位姿图优化 | 第45-47页 |
| 第四章 结合单目视觉的RGB-D SLAM算法 | 第47-58页 |
| 4.1 算法整体框架 | 第47-48页 |
| 4.2 算法前端 | 第48-50页 |
| 4.2.1 特征检测与描述符提取 | 第48-49页 |
| 4.2.2 数据过滤 | 第49-50页 |
| 4.3 算法后端 | 第50-53页 |
| 4.3.1 选择控制机制 | 第50-51页 |
| 4.3.2 RGB-D局部地图生成 | 第51-52页 |
| 4.3.3 单目RGB局部地图生成 | 第52-53页 |
| 4.4 局部地图的融合与全局优化 | 第53-54页 |
| 4.5 实验结果与分析 | 第54-58页 |
| 第五章 RGB-D SLAM算法在云机器人下的扩展 | 第58-69页 |
| 5.1 云机器人算法框架 | 第58-60页 |
| 5.2 结合云计算的RGB-D SLAM算法特征 | 第60-64页 |
| 5.2.1 跟踪部分和地图构建部分分离 | 第60-61页 |
| 5.2.2 将位置识别和重定位分离 | 第61-62页 |
| 5.2.3 云端的地图融合 | 第62-64页 |
| 5.3 结合云计算的RGB-D SLAM算法实验分析 | 第64-69页 |
| 5.3.1 计算和带宽性分析 | 第65-66页 |
| 5.3.2 重叠区域的融合 | 第66-69页 |
| 第六章 总结展望 | 第69-71页 |
| 6.1 主要工作回顾 | 第69页 |
| 6.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 个人简历及在读期间发表的学术论文 | 第75-76页 |
| 致谢 | 第76页 |