| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 国内外相关领域研究进展 | 第12-17页 |
| 1.2.1 视觉-惯性运动估计方法国外研究现状 | 第13-15页 |
| 1.2.2 视觉-惯性运动估计方法国内研究现状 | 第15页 |
| 1.2.3 视觉-惯性运动估计在航天器中的应用概述 | 第15-16页 |
| 1.2.4 使用人工特征的视觉-惯性运动估计方法研究概述 | 第16页 |
| 1.2.5 国内外文献综述简析 | 第16-17页 |
| 1.3 本文的主要研究内容与安排 | 第17-20页 |
| 第2章 数学理论基础 | 第20-33页 |
| 2.1 引言 | 第20页 |
| 2.2 视觉几何基础 | 第20-22页 |
| 2.2.1 常用坐标系系统 | 第20页 |
| 2.2.2 针孔相机成像模型 | 第20-22页 |
| 2.2.3 重投影误差光束调整法 | 第22页 |
| 2.3 运动描述与李群李代数基础 | 第22-24页 |
| 2.4 矩阵分析理论基础 | 第24-25页 |
| 2.4.1 QR分解与格拉姆-施密特正交化 | 第24-25页 |
| 2.5 非线性最小二乘及其解法 | 第25-26页 |
| 2.6 概率图模型理论基础 | 第26-32页 |
| 2.6.1 图 | 第27-28页 |
| 2.6.2 贝叶斯网 | 第28页 |
| 2.6.3 因子图 | 第28-29页 |
| 2.6.4 因子边缘化与变量消除 | 第29-31页 |
| 2.6.5 导出图与团树 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 视觉-惯性运动估计问题因子图优化模型构建 | 第33-41页 |
| 3.1 引言 | 第33页 |
| 3.2 视觉-惯性运动估计问题建模 | 第33-35页 |
| 3.3 视觉-惯性运动估计问题因子图模型表示 | 第35-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 增量式平滑优化算法构建与简单验证 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 因子图模型向贝叶斯网的转换 | 第41-43页 |
| 4.3 矩阵QR分解与变量消元过程的等价关系证明 | 第43-49页 |
| 4.4 由贝叶斯网构建贝叶斯树 | 第49-51页 |
| 4.5 基于贝叶斯树的增量式平滑算法构建 | 第51-53页 |
| 4.6 增量式平滑算法的简单验证 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第5章 使用人工特征的视觉-惯性运动估计系统构建 | 第55-64页 |
| 5.1 引言 | 第55页 |
| 5.2 符号定义 | 第55页 |
| 5.3 April Tag | 第55-56页 |
| 5.4 视觉-惯性运动估计系统 | 第56-58页 |
| 5.5 IMU因子 | 第58-61页 |
| 5.5.1 IMU预积分测量量 | 第58-60页 |
| 5.5.2 IMU预积分因子 | 第60-61页 |
| 5.6 April Tag因子 | 第61-63页 |
| 5.7 本章小结 | 第63-64页 |
| 第6章 增量式平滑优化算法实验验证 | 第64-85页 |
| 6.1 引言 | 第64页 |
| 6.2 在公开数据集上的算法验证 | 第64-70页 |
| 6.2.1 table和dataset_1 数据集上的测试 | 第65-67页 |
| 6.2.2 cube和pavillon数据集上的测试 | 第67-69页 |
| 6.2.3 测试结果分析 | 第69-70页 |
| 6.3 在真实实验环境中的算法验证 | 第70-78页 |
| 6.3.1 Opti Track运动捕捉系统 | 第70页 |
| 6.3.2 对光照及运动的鲁棒性测试 | 第70-75页 |
| 6.3.3 大闭环能力的测试 | 第75-77页 |
| 6.3.4 不确定度测试 | 第77-78页 |
| 6.3.5 测试结果分析 | 第78页 |
| 6.4 基于ROS及gazebo的火星表面巡视场景仿真验证 | 第78-84页 |
| 6.4.1 火星表面无人机巡视仿真场景搭建与数据采集 | 第79-80页 |
| 6.4.2 仿真结果与分析 | 第80-84页 |
| 6.5 关于计算效率的讨论 | 第84页 |
| 6.6 本章小结 | 第84-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 致谢 | 第92页 |
