| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 无人机导航研究现状 | 第13-17页 |
| 1.2.1 无人机概述 | 第13-15页 |
| 1.2.2 无人机导航问题 | 第15-17页 |
| 1.3 SLAM方法研究现状 | 第17-21页 |
| 1.3.1 SLAM算法的发展 | 第17-18页 |
| 1.3.2 典型SLAM算法 | 第18-19页 |
| 1.3.3 SLAM算法研究现状 | 第19-20页 |
| 1.3.4 SLAM算法难点 | 第20-21页 |
| 1.4 本文研究的内容和论文安排 | 第21-23页 |
| 第二章 基于视觉的特征提取及匹配算法研究 | 第23-37页 |
| 2.1 引言 | 第23页 |
| 2.2 图像特征 | 第23-24页 |
| 2.3 基于无人机视觉的特征提取与匹配 | 第24-32页 |
| 2.3.1 SIFT算法 | 第24-28页 |
| 2.3.2 SURF算法 | 第28-32页 |
| 2.4 特征点匹配算法 | 第32-33页 |
| 2.5 基于视觉的特征提取与匹配仿真实验 | 第33-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 基于扩展卡尔曼滤波的无人机SLAM算法研究 | 第37-53页 |
| 3.1 引言 | 第37页 |
| 3.2 滤波算法 | 第37-40页 |
| 3.2.1 卡尔曼滤波算法 | 第37-39页 |
| 3.2.2 扩展卡尔曼滤波算法 | 第39-40页 |
| 3.3 无人机EKF-SLAM算法 | 第40-52页 |
| 3.3.1 无人机SLAM问题 | 第40-41页 |
| 3.3.2 无人机系统方程建立 | 第41-44页 |
| 3.3.3 SLAM问题的贝叶斯公式分解 | 第44-45页 |
| 3.3.4 无人机EKF-SLAM算法 | 第45-48页 |
| 3.3.5 仿真实验结果及分析 | 第48-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于粒子滤波的无人机SLAM算法研究 | 第53-70页 |
| 4.1 引言 | 第53-54页 |
| 4.2 粒子滤波算法 | 第54-56页 |
| 4.3 基于自适应重采样的FastSLAM算法 | 第56-61页 |
| 4.3.1 FastSLAM算法描述 | 第56-57页 |
| 4.3.2 FastSLAM算法分解 | 第57-58页 |
| 4.3.3 FastSLAM算法具体实现 | 第58-61页 |
| 4.3.4 自适应重采样 | 第61页 |
| 4.4 粒子群优化FastSLAM算法 | 第61-63页 |
| 4.4.1 粒子群优化算法 | 第61-62页 |
| 4.4.2 基于多样性启发因子的粒子群优化算法 | 第62-63页 |
| 4.4.3 基于改进的粒子群优化FastSLAM算法流程 | 第63页 |
| 4.5 仿真实验结果及分析 | 第63-68页 |
| 4.6 本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文的主要研究工作总结 | 第70页 |
| 5.2 进一步研究工作的展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-79页 |
| 在校期间的研究成果及发表的学术论文 | 第79页 |