三轮全向移动机器人的同时定位与地图创建
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 移动机器人研究现状 | 第10-12页 |
| 1.2.1 国外移动机器人研究现状 | 第10-11页 |
| 1.2.2 国内移动机器人研究现状 | 第11-12页 |
| 1.3 移动机器人SLAM技术的研究情况 | 第12-15页 |
| 1.3.1 SLAM技术的应用领域 | 第12-13页 |
| 1.3.2 SLAM技术的研究现状 | 第13-14页 |
| 1.3.3 SLAM技术的发展展望 | 第14-15页 |
| 1.4 论文的总体工作与结构 | 第15-17页 |
| 2 三轮全向移动机器人室内定位的基础理论 | 第17-38页 |
| 2.1 移动机器人中的贝叶斯方法 | 第17-18页 |
| 2.2 状态空间模型 | 第18-26页 |
| 2.2.1 运动模型 | 第18-20页 |
| 2.2.2 三轮全向移动机器人模型 | 第20-21页 |
| 2.2.3 感知模型 | 第21-26页 |
| 2.3 基于高斯噪声的滤波方法 | 第26-30页 |
| 2.3.1 卡尔曼滤波 | 第26-28页 |
| 2.3.2 扩展卡尔曼滤波 | 第28-30页 |
| 2.4 粒子滤波与MCMC粒子滤波 | 第30-36页 |
| 2.4.1 粒子滤波 | 第30-35页 |
| 2.4.2 基于MCMC重采样的粒子滤波 | 第35-36页 |
| 2.5 Matlab仿真与分析 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 3 同时定位与地图创建方法研究 | 第38-52页 |
| 3.1 SLAM的主要研究方法 | 第38-39页 |
| 3.2 基于EKF的SLAM方法 | 第39-43页 |
| 3.3 基于粒子滤波的FastSLAM方法 | 第43-51页 |
| 3.3.1 基于路标的FastSLAM方法 | 第43-48页 |
| 3.3.2 基于栅格的FastSLAM方法 | 第48-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 基于栅格SLAM方法的改进 | 第52-74页 |
| 4.1 基于EKF数据融合的运动估计 | 第52-54页 |
| 4.2 丢弃粒子的改进定位方法 | 第54-59页 |
| 4.2.1 帧与图之间的扫描匹配 | 第55-56页 |
| 4.2.2 分支定界的高速搜索方法 | 第56-57页 |
| 4.2.3 ICP最小二乘匹配 | 第57-58页 |
| 4.2.4 构建G2O图优化 | 第58-59页 |
| 4.3 借助视觉特征的回环检测 | 第59-61页 |
| 4.3.1 ORB特征点匹配 | 第59-61页 |
| 4.3.2 构建视觉回环检测 | 第61页 |
| 4.4 基于直线特征的定位优化 | 第61-68页 |
| 4.4.1 直线拟合 | 第61-64页 |
| 4.4.2 直线匹配与定位校正 | 第64-68页 |
| 4.5 实验设计与分析 | 第68-73页 |
| 4.5.1 基于EKF数据融合的运动估计实验 | 第68-69页 |
| 4.5.2 运用开源数据集验证改进算法 | 第69-73页 |
| 4.6 本章小结 | 第73-74页 |
| 5 平台搭建与系统实现 | 第74-89页 |
| 5.1 移动机器人平台搭建 | 第74-79页 |
| 5.1.1 机器人硬件系统设计 | 第74-76页 |
| 5.1.2 硬件选型 | 第76-79页 |
| 5.2 移动机器人底盘控制系统 | 第79-80页 |
| 5.3 SLAM算法的实地功能实现 | 第80-88页 |
| 5.4 本章小结 | 第88-89页 |
| 结论 | 第89-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-96页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第96页 |
