| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 机器人定位及SLAM问题的发展现状 | 第12-14页 |
| 1.3 课题目的及章节安排 | 第14-16页 |
| 第2章 状态估计方法及SLAM问题 | 第16-36页 |
| 2.1 动态空间模型 | 第16页 |
| 2.2 系统模型 | 第16-18页 |
| 2.2.1 机器人运动模型 | 第16-17页 |
| 2.2.2 传感器观测模型 | 第17-18页 |
| 2.3 状态估计理论 | 第18-24页 |
| 2.3.1 贝叶斯估计 | 第18-19页 |
| 2.3.2 卡尔曼滤波 | 第19-20页 |
| 2.3.3 扩展卡尔曼滤波 | 第20-21页 |
| 2.3.4 无味卡尔曼滤波 | 第21-24页 |
| 2.4 序贯重要性采样 | 第24-26页 |
| 2.5 粒子滤波 | 第26-28页 |
| 2.6 SLAM问题及其延伸算法 | 第28-35页 |
| 2.6.1 SLAM问题 | 第28-29页 |
| 2.6.2 EKF-SLAM方法 | 第29-31页 |
| 2.6.3 Fast SLAM方法 | 第31-33页 |
| 2.6.4 基于RBPF的SLAM算法 | 第33-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第3章 改进的边缘粒子滤波算法 | 第36-48页 |
| 3.1 SIS状态估计的缺点 | 第36-37页 |
| 3.2 边缘粒子滤波 | 第37-38页 |
| 3.3 局部线性化方法 | 第38-39页 |
| 3.4 融合最新观测信息的改进MPF算法 | 第39-40页 |
| 3.5 仿真与分析 | 第40-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于改进MPF算法的机器人与无线传感器网络协同定位研究 | 第48-62页 |
| 4.1 无线传感器网络 | 第48-49页 |
| 4.2 加权最小二乘估计 | 第49-51页 |
| 4.3 无线传感器网络下的系统模型 | 第51-52页 |
| 4.4 移动机器人与无线传感器网络协同定位 | 第52-57页 |
| 4.4.1 协同定位问题的实质 | 第52-53页 |
| 4.4.2 基于改进MPF的移动机器人定位 | 第53-56页 |
| 4.4.3 基于改进MPF的无线传感器网络定位 | 第56-57页 |
| 4.5 仿真分析 | 第57-60页 |
| 4.6 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70页 |