| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 自主定位国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究发展概述 | 第10-11页 |
| 1.2.2 国内研究发展概述 | 第11-12页 |
| 1.3 本文工作及章节安排 | 第12-14页 |
| 1.3.1 主要研究工作 | 第12-13页 |
| 1.3.2 论文内容安排 | 第13-14页 |
| 第2章 机器人同步定位和建图的理论原理和基本方法 | 第14-27页 |
| 2.1 SLAM方法定义 | 第14-18页 |
| 2.1.1 SLAM过程阐述 | 第14-16页 |
| 2.1.2 SLAM问题的具体数学表达 | 第16-18页 |
| 2.2 SLAM 的重点问题 | 第18-21页 |
| 2.2.1 误差累积问题 | 第18-19页 |
| 2.2.2 数据一致性问题 | 第19-20页 |
| 2.2.3 描述地图问题 | 第20-21页 |
| 2.3 基于扩展卡尔曼滤波的SLAM实现方法 | 第21-26页 |
| 2.3.1 EKF-SLAM算法中的线性化 | 第21-23页 |
| 2.3.2 EKF-SLAM算法过程 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 结合惯性传感器和改进视觉里程计的EKF-SLAM方法 | 第27-42页 |
| 3.1 惯性传感器模型 | 第27-31页 |
| 3.1.1 惯性 SLAM 的提出及其优缺点 | 第27-28页 |
| 3.1.2 基于惯性传感器的变量表示 | 第28-29页 |
| 3.1.3 基于惯性传感器系统模型的建立 | 第29-31页 |
| 3.2 视觉里程计思想的应用 | 第31-33页 |
| 3.2.1 单目视觉里程计模型 | 第31页 |
| 3.2.2 单目视觉里程计设计思想 | 第31-33页 |
| 3.3 改进的单目视觉特征点提取和匹配 | 第33-37页 |
| 3.3.1 Harris算法 | 第34-35页 |
| 3.3.2 结合Harris检测的SURF算法 | 第35-37页 |
| 3.4 单目视觉运动估计 | 第37-41页 |
| 3.4.1 筛选匹配点对及RANSAC算法 | 第37-38页 |
| 3.4.2 基础矩阵的计算方法 | 第38-39页 |
| 3.4.3 单目视觉里程计的构建方法 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 实验设计与分析 | 第42-50页 |
| 4.1 实验硬件及平台 | 第42-43页 |
| 4.2 实验步骤的设计 | 第43-49页 |
| 4.2.1 单目摄像机的标定 | 第43页 |
| 4.2.2 特征点提取和匹配实验 | 第43-44页 |
| 4.2.3 经过改进EKF融合下的误差数据处理实验 | 第44-48页 |
| 4.2.4 基于EKF的单目视觉轨迹跟踪实验 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 结论与展望 | 第50-52页 |
| 5.1 研究总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |