| 第一章 绪论 | 第9-20页 |
| 1．1 陆地移动机器人（ALV）概述及其发展 | 第9-12页 |
| 1．1．1 ALV概述 | 第9页 |
| 1．1．2 ALV研究的国际背景与现状 | 第9-11页 |
| 1．1．3 我国ALV的研究与发展现状 | 第11页 |
| 1．1．4 ALV研究的关键技术 | 第11-12页 |
| 1．2 距离感知和障碍检测综述 | 第12-17页 |
| 1．2．1 立体视觉 | 第13-14页 |
| 1．2．2 结构光 | 第14页 |
| 1．2．3 激光测距雷达 | 第14-15页 |
| 1．2．4 毫米波雷达 | 第15-16页 |
| 1．2．5 超声测距 | 第16-17页 |
| 1．3 室内移动机器人的地图生成与定位 | 第17-18页 |
| 1．3．1 室内几何地图生成 | 第17-18页 |
| 1．3．2 机器人的定位问题 | 第18页 |
| 1．4 本文的研究内容 | 第18-20页 |
| 第二章 ALV障碍检测系统分析及设计 | 第20-34页 |
| 2．1 安全性的要求 | 第20-24页 |
| 2．2 道路地形的影响 | 第24-26页 |
| 2．2．1 水平的道路弯道 | 第24-25页 |
| 2．2．2 路面坡度的考虑 | 第25-26页 |
| 2．3 LMS210系列激光测距雷达的技术指标和性能 | 第26-27页 |
| 2．4 LMS210激光雷达扫描数据误差分析 | 第27-32页 |
| 2．4．1 环境因素对LMS测距的影响 | 第27-28页 |
| 2．4．2 LMS系统误差 | 第28-32页 |
| 2．5 传感器安装位置的考虑 | 第32页 |
| 2．6 本章内容回顾 | 第32-34页 |
| 第三章 基于多传感器数据融合的障碍检测 | 第34-66页 |
| 3．1 概述 | 第34-35页 |
| 3．2 多传感器数据融合和多目标跟踪的概念 | 第35-40页 |
| 3．2．1 多目标跟踪的基本理论 | 第35-37页 |
| 3．2．2 身份识别 | 第37-40页 |
| 3．3 Dempster-Shafer证据理论 | 第40-42页 |
| 3．3．1 基本理论 | 第40-41页 |
| 3．3．2 D-S证据理论用于身份识别的融合模型 | 第41-42页 |
| 3．4 基于多传感器信息融合的障碍检测总体算法 | 第42-43页 |
| 3．5 量测数据的形成 | 第43-45页 |
| 3．5．1 激光雷达系统的标定 | 第43-44页 |
| 3．5．2 障碍特征提取 | 第44-45页 |
| 3．6 障碍跟踪门的形成 | 第45-47页 |
| 3．7 障碍目标的数据关联 | 第47-48页 |
| 3．8 基于D-S证据理论的障碍身份识别 | 第48-51页 |
| 3．8．1 信息融合的层次 | 第48页 |
| 3．8．2 鉴别框架的定义 | 第48页 |
| 3．8．3 合理且有效的BPAF的定义 | 第48-50页 |
| 3．8．4 单传感器多测量周期可信度分配的融合 | 第50-51页 |
| 3．9 基于卡尔曼滤波的障碍目标跟踪和维持 | 第51-54页 |
| 3．9．1 卡尔曼滤波算法 | 第51-53页 |
| 3．9．2 ALV测障系统中应用的卡尔曼滤波方程 | 第53-54页 |
| 3．10 障碍跟踪的起始与终结 | 第54页 |
| 3．11 ALV三维视觉测障系统实地实验结果 | 第54-60页 |
| 3．11．1 实验环境介绍 | 第54-55页 |
| 3．11．2 量测数据的形成和数据点的身份识别 | 第55-59页 |
| 3．11．3 卡尔曼滤波跟踪的实验结果 | 第59-60页 |
| 3．12 激光测距雷达和PC机高速数据通信的硬件实现 | 第60-65页 |
| 3．12．1 接口卡研制目标和总体方案 | 第61页 |
| 3．12．2 系统设计中的关键技术 | 第61-63页 |
| 3．12．3 接口卡资源分配及PC机命令 | 第63页 |
| 3．12．4 板卡与雷达的握手通信协议 | 第63-64页 |
| 3．12．5 接口卡工作过程 | 第64-65页 |
| 3．13 本章小结 | 第65-66页 |
| 第四章 室内移动机器人的地图生成和定位 | 第66-96页 |
| 4．1 概述 | 第66-67页 |
| 4．2 室内地图自动生成 | 第67-71页 |
| 4．2．1 研究现状 | 第67-68页 |
| 4．2．2 几何地图的自动生成 | 第68-71页 |
| 4．3 基于完整线段的初始定位 | 第71-76页 |
| 4．3．1 “完整线段”的定义、性质和判定方法 | 第71-72页 |
| 4．3．2 基于完整线段实现机器人初始定位的算法过程 | 第72-76页 |
| 4．4 基于环境特征跟踪的运动过程定位 | 第76-82页 |
| 4．4．1 系统工作原理 | 第76页 |
| 4．4．2 地图的存储模型 | 第76-77页 |
| 4．4．3 传感器模型 | 第77-79页 |
| 4．4．4 环境特征预测模型 | 第79-80页 |
| 4．4．5 机器人运动模型 | 第80页 |
| 4．4．6 扩展卡尔曼滤波 | 第80-82页 |
| 4．5 移动机器人的全局定位 | 第82-84页 |
| 4．6 实验结果及分析 | 第84-91页 |
| 4．6．1 实验机器人和实验环境 | 第84页 |
| 4．6．2 CLS初始定位的实验结果 | 第84-86页 |
| 4．6．3 基于环境特征跟踪的运动过程定位实验结果 | 第86-90页 |
| 4．6．4 全局定位方法的实验结果 | 第90-91页 |
| 4．7 定位技术的创新性应用——自动室内三维场景重建 | 第91-96页 |
| 4．7．1 系统构成 | 第91-92页 |
| 4．7．2 系统算法流程 | 第92页 |
| 4．7．3 实验结果 | 第92-96页 |
| 第五章 总结和展望 | 第96-98页 |
| 参考文献 | 第98-104页 |
| 作者攻读博士期间完成的论文 | 第104-105页 |
| 后记 | 第105页 |
