| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 环境地图研究现状 | 第12-15页 |
| 1.2.1 二维地图研究现状 | 第12-13页 |
| 1.2.2 三维地图研究现状 | 第13-15页 |
| 1.3 定位技术研究现状 | 第15-19页 |
| 1.3.1 定位问题的分类 | 第15-16页 |
| 1.3.2 机器人定位方式 | 第16-17页 |
| 1.3.3 国内外研究现状 | 第17-19页 |
| 1.4 本文的研究内容安排 | 第19-20页 |
| 第2章 移动机器人软硬件平台 | 第20-29页 |
| 2.1 移动机器人整体功能模块 | 第20-21页 |
| 2.2 ROS简介 | 第21-22页 |
| 2.3 移动机器人软件架构 | 第22-24页 |
| 2.3.1 移动机器人平台框架 | 第22-23页 |
| 2.3.2 移动机器人在ROS下的控制架构 | 第23-24页 |
| 2.4 移动机器人硬件结构 | 第24-28页 |
| 2.4.1 移动机器人整体硬件结构 | 第25-26页 |
| 2.4.2 传感器 | 第26-28页 |
| 2.5 小结 | 第28-29页 |
| 第3章 基于里程计数据融合的改进二维地图创建 | 第29-48页 |
| 3.1 Gmapping简介 | 第29-30页 |
| 3.2 EKF里程计数据融合 | 第30-33页 |
| 3.2.1 卡尔曼滤波 | 第30-31页 |
| 3.2.2 扩展卡尔曼滤波 | 第31-32页 |
| 3.2.3 基于里程计融合的改进Gmapping建图的算法框架 | 第32-33页 |
| 3.3 轮式里程计 | 第33-35页 |
| 3.3.1 里程计运动模型 | 第33-34页 |
| 3.3.2 轮式里程计运动估计 | 第34-35页 |
| 3.4 视觉里程计 | 第35-43页 |
| 3.4.1 特征检测 | 第36-39页 |
| 3.4.2 特征匹配与误匹配剔除 | 第39-40页 |
| 3.4.3 运动估计 | 第40-43页 |
| 3.5 实验结果与分析 | 第43-47页 |
| 3.5.1 EKF里程计融合实验 | 第43-46页 |
| 3.5.2 基于融合里程计的Gmapping建图实验 | 第46-47页 |
| 3.6 小结 | 第47-48页 |
| 第4章 基于视觉字典的改进蒙特卡洛定位 | 第48-67页 |
| 4.1 基于视觉字典的改进蒙特卡洛定位框架 | 第48-49页 |
| 4.2 蒙特卡洛粒子滤波定位简介 | 第49-51页 |
| 4.3 视觉字典 | 第51-54页 |
| 4.3.1 视觉词袋模型 | 第51-52页 |
| 4.3.2 视觉字典的创建与查阅 | 第52-53页 |
| 4.3.3 相似度计算 | 第53-54页 |
| 4.4 RGB-D蒙特卡洛定位 | 第54-57页 |
| 4.4.1 包含图像位置信息的二维栅格地图创建 | 第54-57页 |
| 4.4.2 移动机器人全局定位 | 第57页 |
| 4.5 实验结果与分析 | 第57-66页 |
| 4.5.1 视觉字典初定位实验 | 第57-62页 |
| 4.5.2 基于视觉字典的改进蒙特卡洛定位实验 | 第62-66页 |
| 4.6 小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 全文总结 | 第67页 |
| 论文创新点 | 第67-68页 |
| 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |