| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-17页 |
| ·论文的研究背景及其意义 | 第7-8页 |
| ·移动机器人导航技术的概述 | 第8-9页 |
| ·移动机器人同时定位与地图创建的发展历程与研究现状 | 第9-14页 |
| ·移动机器人同时定位与地图创建的发展历程 | 第10-11页 |
| ·移动机器人同时定位与地图创建的研究现状 | 第11-14页 |
| ·论文的主要研究内容和创新点 | 第14-17页 |
| ·论文的主要研究内容 | 第14-15页 |
| ·本论文的创新点 | 第15-17页 |
| 2 移动机器人系统的数学模型 | 第17-29页 |
| ·引言 | 第17页 |
| ·各种数学模型 | 第17-29页 |
| ·坐标系统模型 | 第17-18页 |
| ·环境地图模型 | 第18页 |
| ·移动机器人的位姿模型 | 第18-19页 |
| ·里程计的数学模型 | 第19-24页 |
| ·移动机器人的运动模型 | 第24-25页 |
| ·传感器观测模型 | 第25-26页 |
| ·系统误差和噪声模型 | 第26-29页 |
| 3 基于卡尔曼滤波的 SLAM 研究 | 第29-57页 |
| ·引言 | 第29-35页 |
| ·卡尔曼滤波的概述 | 第29页 |
| ·线性卡尔曼滤波 | 第29-33页 |
| ·扩展卡尔曼滤波 | 第33-35页 |
| ·基于扩展卡尔曼滤波的 SLAM 研究 | 第35-41页 |
| ·SLAM 问题的概率描述 | 第36-37页 |
| ·扩展卡尔曼滤波(EKF)的 SLAM 算法 | 第37-41页 |
| ·基于多传感器信息融合技术的 SLAM 研究 | 第41-57页 |
| ·多传感器信息融合技术 | 第42-48页 |
| ·多传感器分布式状态融合 EKF-SLAM 算法分析 | 第48-56页 |
| ·多传感器信息融合的 EKF-SLAM 仿真实验及其结果分析 | 第56-57页 |
| 4 基于信息滤波的粒子滤波 SLAM 研究 | 第57-85页 |
| ·引言 | 第57页 |
| ·基于粒子滤波的 SLAM 算法 | 第57-63页 |
| ·粒子滤波概述 | 第57页 |
| ·RBPF-SLAM 算法 | 第57-58页 |
| ·粒子滤波中的采样方法 | 第58-61页 |
| ·粒子滤波中的退化现象 | 第61-62页 |
| ·粒子滤波的步骤 | 第62-63页 |
| ·基于信息滤波的 SLAM 算法 | 第63-78页 |
| ·高斯分布的信息形式 | 第63-66页 |
| ·扩展信息滤波 SLAM 算法研究 | 第66-78页 |
| ·基于稀疏扩展信息滤波的粒子滤波 SLAM 研究 | 第78-85页 |
| ·引言 | 第78-79页 |
| ·基于稀疏扩展信息滤波的粒子滤波 SLAM 算法 | 第79-85页 |
| 5 总结与研究展望 | 第85-87页 |
| ·总结 | 第85页 |
| ·研究展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 攻读学位期间发表文章 | 第91-94页 |
| 致谢 | 第94页 |
