| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1. 绪论 | 第10-19页 |
| 1.1. 研究背景和意义 | 第10-12页 |
| 1.2. 国内外研究的现状 | 第12-15页 |
| 1.2.1. 位姿概率估计方法的研究现状 | 第13页 |
| 1.2.2. 场景外观匹配方法的研究现状 | 第13-15页 |
| 1.3. 研究目标和研究内容 | 第15-16页 |
| 1.3.1. 研究目的 | 第15页 |
| 1.3.2. 研究内容 | 第15-16页 |
| 1.4. 论文创新点 | 第16-17页 |
| 1.5. 论文组织结构 | 第17-19页 |
| 2. SLAM与闭环检测的理论原理与技术 | 第19-32页 |
| 2.1. SLAM的研究内容 | 第19-22页 |
| 2.1.1. 基础理论 | 第19-20页 |
| 2.1.2. 传感器 | 第20-21页 |
| 2.1.3. 建图 | 第21页 |
| 2.1.4. 闭环检测 | 第21页 |
| 2.1.5. 高级课题 | 第21-22页 |
| 2.2. 闭环检测理论与技术 | 第22-31页 |
| 2.2.1. 闭环检测概述 | 第22-23页 |
| 2.2.2. 位姿概率估计 | 第23-24页 |
| 2.2.3. 场景外观匹配 | 第24-26页 |
| 2.2.4. DBoW2库 | 第26-31页 |
| 2.3. 本章小结 | 第31-32页 |
| 3. 基于机器学习的三维激光点云闭环检测方法 | 第32-46页 |
| 3.1. 基本流程 | 第32-33页 |
| 3.2. 三维激光点云特征表示与提取 | 第33-37页 |
| 3.2.1. 点云特征表示与提取 | 第33-34页 |
| 3.2.2. 提取具有旋转不变性的点云特征 | 第34-37页 |
| 3.3. ADABOOST算法 | 第37-40页 |
| 3.4. 决策树模型 | 第40-45页 |
| 3.4.1. 分类决策树模型 | 第41-44页 |
| 3.4.2. CART算法 | 第44-45页 |
| 3.5. 本章小结 | 第45-46页 |
| 4. 实验设计与结果分析 | 第46-58页 |
| 4.1. 实验环境 | 第46页 |
| 4.2. 实验数据集 | 第46-47页 |
| 4.3. 激光点云特征提取与相关性分析 | 第47-50页 |
| 4.4. 基于ADABOOST分类器的闭环检测结果与分析 | 第50-56页 |
| 4.4.1. 样本生成 | 第50-51页 |
| 4.4.2. 分类器结果评价指标 | 第51页 |
| 4.4.3. 迭代次数对闭环检测结果的影响 | 第51-52页 |
| 4.4.4. 特征选择对闭环检测结果的影响 | 第52-53页 |
| 4.4.5. 对比实验 | 第53-54页 |
| 4.4.6. Hannl数据实验 | 第54-55页 |
| 4.4.7. 时间复杂度 | 第55-56页 |
| 4.5. 算法评价 | 第56-57页 |
| 4.6. 本章小结 | 第57-58页 |
| 5. 结论与展望 | 第58-60页 |
| 5.1. 本文主要工作 | 第58页 |
| 5.2. 研究展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |