| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 论文的组织结构 | 第16-19页 |
| 第2章 基于双目视觉的三维信息重建 | 第19-41页 |
| 2.1 双目视觉系统的标定与校正 | 第19-26页 |
| 2.1.1 小孔成像模型 | 第19页 |
| 2.1.2 镜头畸变模型 | 第19-21页 |
| 2.1.3 双目摄像机标定与Bouguet立体校正 | 第21-24页 |
| 2.1.4 双目视觉的测量原理 | 第24-26页 |
| 2.2 基于SGM算法的实时三维稠密信息重建 | 第26-33页 |
| 2.2.1 半全局立体匹配原理 | 第26-27页 |
| 2.2.2 立体匹配试验结果与分析 | 第27-28页 |
| 2.2.3 白斑噪声分析 | 第28-29页 |
| 2.2.4 白斑检测及滤波 | 第29-31页 |
| 2.2.5 断层噪声分析 | 第31页 |
| 2.2.6 时间域中值滤波 | 第31-32页 |
| 2.2.7 综合滤波试验结果与分析 | 第32-33页 |
| 2.3 基于SIFT特征的提取与匹配 | 第33-39页 |
| 2.3.1SIFT特征的提取 | 第34-36页 |
| 2.3.2 SIFT特征点匹配 | 第36-38页 |
| 2.3.3 图像特征点对提纯 | 第38页 |
| 2.3.4 试验结果与分析 | 第38-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 基于EKF-SLAM的环境学习方法 | 第41-59页 |
| 3.1 移动机器人的系统模型 | 第41-44页 |
| 3.1.1 移动机器人运动模型 | 第41-43页 |
| 3.1.2 移动机器人观测模型 | 第43-44页 |
| 3.1.3 环境路标的动态模型 | 第44页 |
| 3.2 基于EKF的SLAM算法 | 第44-53页 |
| 3.2.1 EKF-SLAM算法基本原理 | 第44-48页 |
| 3.2.2 折线EKF-SLAM方法 | 第48-50页 |
| 3.2.3 EKF-SLAM算法速度优化 | 第50-53页 |
| 3.3 数据关联 | 第53-54页 |
| 3.4 EKF-SLAM算法实现过程 | 第54-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 机器人实时定位及避障 | 第59-69页 |
| 4.1 在线定位及建图的总体策略 | 第59-60页 |
| 4.2 特征地图库固定模式下的机器人定位 | 第60-62页 |
| 4.3 基于人工势场法的避碰和路径规划 | 第62-67页 |
| 4.3.1 人工势场法简介 | 第62页 |
| 4.3.2 势场函数的确定 | 第62-65页 |
| 4.3.3 基于人工势场法虚拟力控制下的机器人的运动分析 | 第65-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第5章 综合试验与分析 | 第69-79页 |
| 5.1 基于折线SLAM方法的环境学习试验 | 第69-74页 |
| 5.1.1 折线SLAM环境学习试验 | 第69-71页 |
| 5.1.2 EKF算法对噪声的抑制试验 | 第71-74页 |
| 5.2 基于地图库的实时在线定位试验 | 第74-76页 |
| 5.3 移动机器人的避碰和路径规划试验 | 第76-78页 |
| 5.4 本章小结 | 第78-79页 |
| 结论 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第86-87页 |
| 致谢 | 第87页 |