| 独创性声明 | 第1页 |
| 学位论文版权使用授权书 | 第3-4页 |
| 摘 要 | 第4-6页 |
| Abstract | 第6-13页 |
| 1 绪论 | 第13-30页 |
| ·移动机器人系统的研究概述 | 第13-15页 |
| ·问题的提出及研究的意义 | 第15-17页 |
| ·移动机器人定位与地图创建概述 | 第17-21页 |
| ·移动机器人定位 | 第17-20页 |
| ·位置跟踪 | 第18-19页 |
| ·全局定位 | 第19-20页 |
| ·地图创建 | 第20-21页 |
| ·栅格地图 | 第20页 |
| ·特征地图 | 第20-21页 |
| ·拓扑地图 | 第21页 |
| ·移动机器人同时定位与地图创建（SLAM）概述 | 第21-27页 |
| ·SLAM 的实现方法 | 第22-26页 |
| ·基于扩展卡尔曼滤波（EKF）的SLAM 方法 | 第22-23页 |
| ·基于粒子滤波的SLAM 方法 | 第23-24页 |
| ·提高SLAM 鲁棒性的方法 | 第24-25页 |
| ·降低SLAM 算法复杂度的方法 | 第25-26页 |
| ·SLAM 研究的关键问题 | 第26-27页 |
| ·不确定信息的处理 | 第26页 |
| ·数据关联问题 | 第26页 |
| ·算法的复杂度 | 第26-27页 |
| ·地图的表示 | 第27页 |
| ·SLAM 的研究趋势 | 第27页 |
| ·论文的主要研究内容与组织结构 | 第27-30页 |
| 2 移动机器人系统建模 | 第30-39页 |
| ·坐标系统模型 | 第30页 |
| ·机器人位置模型 | 第30-31页 |
| ·里程计或控制命令模型 | 第31-34页 |
| ·机器人运动模型 | 第34-35页 |
| ·环境地图模型 | 第35页 |
| ·传感器观测模型 | 第35-37页 |
| ·环境特征的动态模型 | 第37-38页 |
| ·传感器噪声模型和系统噪声模型 | 第38页 |
| ·本章小结 | 第38-39页 |
| 3 基于模糊自适应卡尔曼滤波移动机器人定位方法研究 | 第39-58页 |
| ·引言 | 第39-40页 |
| ·移动机器人定位问题 | 第40-42页 |
| ·卡尔曼滤波算法与扩展卡尔曼滤波算法 | 第42-50页 |
| ·卡尔曼滤波算法 | 第42-43页 |
| ·扩展卡尔曼滤波算法（EKF） | 第43-45页 |
| ·基于EKF 的移动机器人定位 | 第45-50页 |
| ·机器人运动模型 | 第45-46页 |
| ·观测模型 | 第46-47页 |
| ·数据关联 | 第47页 |
| ·EKF 定位算法 | 第47-49页 |
| ·EKF 定位实验结果 | 第49-50页 |
| ·模糊自适应扩展卡尔曼滤波定位算法 | 第50-57页 |
| ·模糊自适应扩展卡尔曼滤波算法 | 第51-54页 |
| ·传感器故障诊断与修复算法 | 第54页 |
| ·定位实验结果 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 4 基于进化粒子滤波的移动机器人定位方法研究 | 第58-74页 |
| ·引言 | 第58-59页 |
| ·粒子滤波算法 | 第59-65页 |
| ·贝叶斯滤波原理 | 第60-61页 |
| ·顺序重要性采样（SIS） | 第61-62页 |
| ·样本退化 | 第62-64页 |
| ·粒子滤波算法的描述 | 第64-65页 |
| ·基于粒子滤波的移动机器人定位算法 | 第65-67页 |
| ·进化粒子滤波算法 | 第67-73页 |
| ·进化选择 | 第67-68页 |
| ·交叉和变异 | 第68-69页 |
| ·进化粒子滤波算法描述 | 第69-70页 |
| ·定位实验与结果分析 | 第70-73页 |
| ·机器人的运动模型和观测模型 | 第70-71页 |
| ·实验结果分析 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 5 基于支持向量回归的 EKF 粒子滤波定位算法 | 第74-83页 |
| ·引言 | 第74-75页 |
| ·改进的粒子滤波算法 | 第75-79页 |
| ·计算EKF 重要性采样函数 | 第75-76页 |
| ·支持向量回归（SVR）算法 | 第76-78页 |
| ·改进的粒子滤波算法描述 | 第78-79页 |
| ·仿真实验与结果分析 | 第79-82页 |
| ·本章小结 | 第82-83页 |
| 6 基于改进粒子滤波算法的移动机器人同时定位与地图创建方 | 第83-97页 |
| ·引言 | 第83-85页 |
| ·移动机器人SLAM 问题 | 第85-86页 |
| ·基于Rao-Blackwellized 粒子滤波的SLAM 方法 | 第86-88页 |
| ·改进的粒子滤波SLAM 方法 | 第88-93页 |
| ·基于PF 的机器人位姿估计 | 第88-89页 |
| ·基于SVR 粒子滤波的路标位置估计 | 第89-90页 |
| ·计算位姿样本的重要性权重 | 第90-91页 |
| ·自适应重采样 | 第91-92页 |
| ·改进的粒子滤波SLAM 方法描述 | 第92-93页 |
| ·SLAM 实验结果 | 第93-96页 |
| ·机器人运动模型和路标运动模型 | 第93页 |
| ·观测模型 | 第93-94页 |
| ·SLAM 实验结果 | 第94-96页 |
| ·本章小结 | 第96-97页 |
| 7 总结与展望 | 第97-99页 |
| ·总结 | 第97-98页 |
| ·展望 | 第98-99页 |
| 致谢 | 第99-100页 |
| 参考文献 | 第100-113页 |
| 攻读博士学位期间发表的论文和参加的科研项目 | 第113页 |
