| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 引言 | 第10-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 自主移动机器人的研究现状 | 第12-14页 |
| 1.2.2 室内定位方法的研究现状 | 第14-15页 |
| 1.2.3 多传感器信息融合的研究现状 | 第15-17页 |
| 1.3 论文研究的难点和挑战 | 第17页 |
| 1.4 本文的组织结构 | 第17-20页 |
| 第二章 室内定位算法与运动学建模 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 室内定位算法概述 | 第20-25页 |
| 2.3 自主移动机器人的运动学建模 | 第25-28页 |
| 2.3.1 轮系结构介绍 | 第25页 |
| 2.3.2 运动学建模 | 第25-28页 |
| 2.4 单一传感器室内定位算法 | 第28-29页 |
| 2.5 本章小结 | 第29-32页 |
| 第三章 多传感器信息融合室内定位的研究 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 卡尔曼滤波融合算法研究 | 第32-37页 |
| 3.2.1 引言 | 第32-33页 |
| 3.2.2 基于卡尔曼滤波的多传感器信息融合算法 | 第33-35页 |
| 3.2.3 基于卡尔曼滤波算法的多传感器信息融合仿真 | 第35-37页 |
| 3.2.4 仿真结果分析 | 第37页 |
| 3.3 BP神经网络融合算法研究 | 第37-44页 |
| 3.3.1 引言 | 第37-38页 |
| 3.3.2 基于BP神经网络的多传感器信息融合算法 | 第38-41页 |
| 3.3.3 基于BP神经网络算法的多传感器信息融合仿真 | 第41-44页 |
| 3.3.4 BP神经网络模型泛化能力验证 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于改进的卡尔曼滤波融合算法研究 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 改进的卡尔曼滤波融合算法 | 第46-48页 |
| 4.3 基于改进的卡尔曼滤波算法的多传感器信息融合仿真 | 第48-55页 |
| 4.3.1 模型有效性验证实验 | 第48-51页 |
| 4.3.2 模型泛化能力验证实验 | 第51-53页 |
| 4.3.3 模型提升验证实验 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于传感器信息融合的室内定位实验研究 | 第56-68页 |
| 5.1 室内定位系统总体框架 | 第56页 |
| 5.2 硬件平台 | 第56-60页 |
| 5.3 软件平台 | 第60-62页 |
| 5.3.1 编程环境与语言 | 第60页 |
| 5.3.2 控制界面设计 | 第60-62页 |
| 5.4 真实环境实验研究 | 第62-66页 |
| 5.4.1 实验环境和应用背景 | 第62-63页 |
| 5.4.2 实验过程与结果分析 | 第63-66页 |
| 5.5 本章小结 | 第66-68页 |
| 总结与展望 | 第68-70页 |
| 总结 | 第68页 |
| 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-76页 |
| 致谢 | 第76页 |
