| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题的研究背景与意义 | 第11页 |
| 1.2 移动机器人的发展现状 | 第11-13页 |
| 1.3 移动机器人导航的关键技术 | 第13-16页 |
| 1.3.1 同时定位与地图构建 | 第13-14页 |
| 1.3.2 路径规划 | 第14-16页 |
| 1.4 本文的研究内容与组织结构 | 第16-18页 |
| 第二章 移动机器人导航系统 | 第18-25页 |
| 2.1 导航系统总体框架 | 第18-19页 |
| 2.2 导航系统的硬件平台 | 第19-22页 |
| 2.2.1 RGB-D相机 | 第19-21页 |
| 2.2.2 TurtleBot2机器人 | 第21-22页 |
| 2.3 基于ROS的导航系统软件结构 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于RGB-D的移动机器人SLAM算法 | 第25-42页 |
| 3.1 视觉SLAM框架 | 第25-26页 |
| 3.2 视觉里程计 | 第26-31页 |
| 3.2.1 特征点提取 | 第26-27页 |
| 3.2.2 位姿估计 | 第27-30页 |
| 3.2.3 关键帧提取 | 第30-31页 |
| 3.3 地图构建与优化 | 第31-38页 |
| 3.3.1 回环检测 | 第31-34页 |
| 3.3.2 位姿图优化 | 第34-37页 |
| 3.3.3 点云地图构建 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-41页 |
| 3.4.1 标准数据集实验 | 第38-40页 |
| 3.4.2 实际环境实验 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于RGB-D的障碍物感知与移动机器人避障 | 第42-58页 |
| 4.1 基于RGB-D相机的障碍物检测 | 第42-45页 |
| 4.1.1 背景识别与去除 | 第42-43页 |
| 4.1.2 地面干扰区域去除 | 第43页 |
| 4.1.3 障碍物提取 | 第43-45页 |
| 4.1.4 障碍物合并 | 第45页 |
| 4.2 基于卡尔曼滤波的障碍物跟踪 | 第45-50页 |
| 4.2.1 基于CamShift算法的目标跟踪 | 第46-48页 |
| 4.2.2 卡尔曼滤波模型的建立 | 第48-50页 |
| 4.3 避障策略 | 第50-54页 |
| 4.3.1 静态避障策略 | 第50-52页 |
| 4.3.2 动态避障策略 | 第52-54页 |
| 4.4 实验结果与分析 | 第54-57页 |
| 4.4.1 障碍物提取实验 | 第54-55页 |
| 4.4.2 静态避障实验 | 第55-56页 |
| 4.4.3 动态避障实验 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 移动机器人全局路径规划 | 第58-70页 |
| 5.1 蚁群算法简介 | 第58-59页 |
| 5.2 三维环境建模 | 第59-60页 |
| 5.3 全局路径规划 | 第60-66页 |
| 5.3.1 信息素表示与更新 | 第60-61页 |
| 5.3.2 启发式函数设计 | 第61-62页 |
| 5.3.3 死锁解除 | 第62-63页 |
| 5.3.4 搜索模式 | 第63-65页 |
| 5.3.5 算法的流程设计 | 第65-66页 |
| 5.4 仿真实验与结果分析 | 第66-69页 |
| 5.5 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |