摘要 | 第3-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第9-19页 |
1.1 课题研究背景及意义 | 第9-10页 |
1.2 移动机器人技术国内外现状 | 第10-13页 |
1.2.1 国外移动机器人研究现状 | 第10-12页 |
1.2.2 国内移动机器人研究现状 | 第12-13页 |
1.3 SLAM的研究现状与进展 | 第13-15页 |
1.4 移动机器人自主导航 | 第15-17页 |
1.5 论文的主要工作 | 第17-19页 |
第2章 基于Kinect传感器移动机器人导航系统平台设计 | 第19-29页 |
2.1 系统总体结构 | 第19-23页 |
2.1.1 Kinect传感器介绍 | 第20-22页 |
2.1.2 Kobuki移动底座 | 第22-23页 |
2.2 开源机器人操作系统(ROS) | 第23-25页 |
2.2.1 ROS常用概念 | 第24-25页 |
2.2.2 ROS层次结构和通讯 | 第25页 |
2.3 TurtlebotPC和工作站PC功能 | 第25-27页 |
2.3.1 TurtlebotPC功能 | 第26页 |
2.3.2 工作站PC功能 | 第26-27页 |
2.4 本章小结 | 第27-29页 |
第3章 同步定位与建图(SLAM) | 第29-53页 |
3.1 移动机器人模型 | 第30-34页 |
3.1.1 里程计建模 | 第30-32页 |
3.1.2 移动机器人运动模型 | 第32-34页 |
3.1.3 移动机器人观测模型 | 第34页 |
3.2 移动机器人定位方法 | 第34-36页 |
3.3 移动机器人地图表述方式 | 第36-38页 |
3.4 移动机器人SLAM | 第38-40页 |
3.4.1 SLAM主要流程 | 第38-39页 |
3.4.2 SLAM的数学表述 | 第39-40页 |
3.5 基于扩展卡尔曼滤波的SLAM算法 | 第40-44页 |
3.5.1 系统模型 | 第41-42页 |
3.5.2 系统状态变量估计过程 | 第42页 |
3.5.3 EKF-SLAM算法的实现 | 第42-44页 |
3.6 基于Rao-Blackwellized粒子滤波的SLAM算法 | 第44-50页 |
3.6.1 贝叶斯滤波算法 | 第44-46页 |
3.6.2 蒙特卡洛积分 | 第46-47页 |
3.6.3 粒子滤波原理 | 第47-48页 |
3.6.4 Rao-Blackwellized粒子滤波 | 第48-50页 |
3.7 本章小结 | 第50-53页 |
第4章 移动机器人路径规划技术研究 | 第53-65页 |
4.1 全局路径规划算法 | 第53-59页 |
4.1.1 A~*寻路算法 | 第53-57页 |
4.1.2 Dijkstra算法 | 第57-59页 |
4.2 局部路径规划算法 | 第59-63页 |
4.2.1 机器人的运动模型 | 第60-61页 |
4.2.2 速度采样 | 第61-62页 |
4.2.3 评价函数 | 第62-63页 |
4.3 本章小结 | 第63-65页 |
第5章 基于Kinect移动机器人导航系统的实验验证 | 第65-73页 |
5.1 实验平台简介 | 第65-67页 |
5.2 定位与地图创建实验 | 第67-69页 |
5.3 基于ROS导航功能实现 | 第69-72页 |
5.4 本章小结 | 第72-73页 |
第6章 全文总结与展望 | 第73-75页 |
6.1 总结 | 第73页 |
6.2 工作展望 | 第73-75页 |
参考文献 | 第75-81页 |
发表论文和参加科研情况说明 | 第81-83页 |
致谢 | 第83页 |