| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 课题研究背景及意义 | 第14页 |
| 1.2 移动机器人的简介及分类 | 第14-17页 |
| 1.2.1 移动机器人的简介 | 第14-15页 |
| 1.2.2 移动机器人的分类 | 第15-17页 |
| 1.3 移动机器人的导航 | 第17-18页 |
| 1.4 移动机器人的路径规划技术 | 第18-25页 |
| 1.4.1 环境地图构建 | 第18-20页 |
| 1.4.2 全局路径规划方法 | 第20-21页 |
| 1.4.3 局部路径规划方法 | 第21-25页 |
| 1.5 移动机器人的定位技术 | 第25-26页 |
| 1.6 同时定位与建图 | 第26-29页 |
| 1.7 本文的主要研究内容 | 第29-30页 |
| 第2章 全局路径规划下的环境地图建模 | 第30-45页 |
| 2.1 引言 | 第30页 |
| 2.2 可视图理论 | 第30-32页 |
| 2.3 用于路径规划的简化可视图建模方法 | 第32-39页 |
| 2.3.1 移动机器人的工作空间与C空间 | 第32-33页 |
| 2.3.2 工作空间中的障碍物描述 | 第33页 |
| 2.3.3 简化可视图环境建模方法 | 第33-39页 |
| 2.4 仿真结果与分析 | 第39-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第3章 基于改进蚁群算法的全局路径规划方法 | 第45-65页 |
| 3.1 引言 | 第45页 |
| 3.2 路径规划问题的数学建模 | 第45-46页 |
| 3.3 基本蚁群算法 | 第46-47页 |
| 3.4 基于改进蚁群算法的全局路径规划 | 第47-57页 |
| 3.4.1 局部启发式函数设计 | 第47-48页 |
| 3.4.2 信息素更新 | 第48-50页 |
| 3.4.3 参数选择及对算法性能的影响 | 第50-54页 |
| 3.4.4 避免局部最优 | 第54-56页 |
| 3.4.5 算法的实现 | 第56-57页 |
| 3.5 仿真结果与分析 | 第57-64页 |
| 3.5.1 环境模型建立 | 第57-58页 |
| 3.5.2 IACO算法验证 | 第58-60页 |
| 3.5.3 与其他智能算法的比较 | 第60-64页 |
| 3.6 本章小结 | 第64-65页 |
| 第4章 基于行为的移动机器人的局部路径规划方法 | 第65-95页 |
| 4.1 引言 | 第65页 |
| 4.2 移动机器人的自主定位方法 | 第65-69页 |
| 4.2.1 基于里程计的定位 | 第65-68页 |
| 4.2.2 基于超声传感器的定位 | 第68-69页 |
| 4.3 基于行为的控制系统 | 第69-71页 |
| 4.3.1 基于行为的控制体系结构 | 第70页 |
| 4.3.2 基于行为的控制方法 | 第70-71页 |
| 4.4 死区陷阱 | 第71-72页 |
| 4.5 基于多行为协调的路径规划 | 第72-84页 |
| 4.5.1 多行为协调方法 | 第72-75页 |
| 4.5.2 奔向目标行为设计 | 第75-76页 |
| 4.5.3 避障（沿墙走）行为设计 | 第76-81页 |
| 4.5.4 逃离局部极小行为设计 | 第81-84页 |
| 4.6 仿真结果及分析 | 第84-89页 |
| 4.6.1 方法验证 | 第84-86页 |
| 4.6.2 与其他文献方法的对比 | 第86-89页 |
| 4.7 实验 | 第89-94页 |
| 4.7.1 实验平台 | 第89-91页 |
| 4.7.2 实验结果及分析 | 第91-94页 |
| 4.8 本章小结 | 第94-95页 |
| 第5章 移动机器人同时定位与建图研究 | 第95-141页 |
| 5.1 引言 | 第95页 |
| 5.2 SLAM问题描述 | 第95-96页 |
| 5.3 移动机器人的SLAM问题建模 | 第96-98页 |
| 5.3.1 环境表示方法 | 第96-97页 |
| 5.3.2 机器人的运动模型 | 第97-98页 |
| 5.3.3 机器人的观测模型 | 第98页 |
| 5.4 基于PSO的改进RBPF算法 | 第98-114页 |
| 5.4.1 Rao-Blackwellized 粒子滤波器 | 第98-99页 |
| 5.4.2 微粒群优化算法 | 第99-100页 |
| 5.4.3 基于PSO的粒子重采样策略 | 第100-104页 |
| 5.4.4 改进RBPF算法的实现 | 第104-108页 |
| 5.4.5 仿真结果与分析 | 第108-114页 |
| 5.5 基于H∞滤波器的改进FastSLAM2.0算法 | 第114-134页 |
| 5.5.1 H∞滤波 | 第115-119页 |
| 5.5.2 基于GAPSO的粒子重采样策略 | 第119-122页 |
| 5.5.3 改进的FastSLAM2.0算法的实现 | 第122-128页 |
| 5.5.4 仿真结果与分析 | 第128-134页 |
| 5.6 实验结果与分析 | 第134-140页 |
| 5.7 本章小结 | 第140-141页 |
| 结论 | 第141-143页 |
| 参考文献 | 第143-153页 |
| 附录 | 第153-155页 |
| 攻读博士学位期间发表的论文及其他成果 | 第155-157页 |
| 致谢 | 第157-158页 |
| 个人简历 | 第158页 |
