| 致谢 | 第3-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 SLAM算法研究现状 | 第12-14页 |
| 1.3 主要内容 | 第14-15页 |
| 1.4 本文的贡献 | 第15页 |
| 1.5 论文的组织 | 第15-17页 |
| 第二章 机器人系统建模 | 第17-25页 |
| 2.1 机器人运动学模型 | 第17-19页 |
| 2.2 深度相机模型 | 第19-22页 |
| 2.3 环境模型 | 第22-25页 |
| 第三章 基于深度点云的视觉里程计 | 第25-30页 |
| 3.1 视觉里程计 | 第25-26页 |
| 3.2 Kinect不确定度模型 | 第26-27页 |
| 3.3 图像特征提取 | 第27-28页 |
| 3.4 ICP配准 | 第28-29页 |
| 3.5 数据关联 | 第29-30页 |
| 第四章 多传感器信息融合 | 第30-39页 |
| 4.1 离散卡尔曼滤波原理 | 第30-33页 |
| 4.2 扩展卡尔曼滤波 | 第33-35页 |
| 4.3 惯导里程计数据融合 | 第35-39页 |
| 第五章 机器人定位技术 | 第39-49页 |
| 5.1 贝叶斯估计理论 | 第39-41页 |
| 5.2 基本粒子滤波方法 | 第41-44页 |
| 5.3 Rao-Blackwellized粒子滤波定位建图算法 | 第44-49页 |
| 5.3.1 RBPF定位建图算法 | 第44-46页 |
| 5.3.2 建议分布的计算 | 第46-47页 |
| 5.3.3 重采样方法 | 第47-49页 |
| 第六章 路径规划与避障 | 第49-55页 |
| 6.1 全局路径规划 | 第49-51页 |
| 6.1.1 智能算法 | 第49-50页 |
| 6.1.2 启发式搜索 | 第50-51页 |
| 6.2 局部路径规划 | 第51-55页 |
| 6.2.1 人工势场法 | 第51-52页 |
| 6.2.2 动态窗口法 | 第52-55页 |
| 第七章 实验设计和分析 | 第55-59页 |
| 7.1 硬件实验平台 | 第55页 |
| 7.2 软件系统框架 | 第55-56页 |
| 7.3 实验设计 | 第56-59页 |
| 第八章 结束语 | 第59-61页 |
| 8.1 本文工作总结 | 第59-60页 |
| 8.2 下一步研究方向 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 作者简介 | 第66页 |