基于概率方法的机器人定位
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题背景与意义 | 第9-10页 |
| ·定位在导航中的研究概况 | 第10-14页 |
| ·基于概率的定位方法研究现状和主要存在问题 | 第14-15页 |
| ·本文的主要研究内容 | 第15-17页 |
| 第2章 基于概率的机器人定位方法 | 第17-37页 |
| ·贝叶斯滤波原理 | 第18-20页 |
| ·扩展卡尔曼滤波方法 | 第20-26页 |
| ·EKF 定位的前提假设 | 第21页 |
| ·EKF 原理及其在移动机器人定位中的应用 | 第21-25页 |
| ·卡尔曼滤波器的应用限制 | 第25-26页 |
| ·马尔可夫定位方法 | 第26-28页 |
| ·多假设跟踪定位方法 | 第28-29页 |
| ·粒子滤波定位方法 | 第29-36页 |
| ·样本重点重采样滤波 | 第31页 |
| ·辅助粒子滤波 | 第31-33页 |
| ·混合蒙特卡罗算法 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于感知复位定位算法的机器人定位 | 第37-52页 |
| ·感知复位定位算法 | 第37-44页 |
| ·概率密度函数 | 第37-38页 |
| ·重采样原理 | 第38-41页 |
| ·重采样的实现 | 第41-42页 |
| ·机器人位姿估计 | 第42-44页 |
| ·感知复位定位算法与常规PF 算法比较 | 第44-46页 |
| ·实验结果及分析 | 第46-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 自适应感知复位定位算法 | 第52-67页 |
| ·自适应感知复位算法原理 | 第52-53页 |
| ·概率模型表示 | 第53-59页 |
| ·运动模型 | 第53-56页 |
| ·感知模型 | 第56-59页 |
| ·样本集的标准化 | 第59页 |
| ·实验结果及分析 | 第59-63页 |
| ·位姿跟踪实验 | 第60-61页 |
| ·全局定位实验 | 第61-62页 |
| ·拐骗实验 | 第62-63页 |
| ·比较SRL 算法和自适应定位算法 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |
