面向卫星装配的全方位移动平台定位技术
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 移动机器人发展概述 | 第9-10页 |
| 1.2.1 移动机器人的发展历程 | 第9-10页 |
| 1.2.2 移动机器人的主要技术研究方向 | 第10页 |
| 1.3 机器人定位研究现状 | 第10-14页 |
| 1.3.1 定位方式研究现状 | 第10-13页 |
| 1.3.2 噪声处理方法的研究现状 | 第13-14页 |
| 1.4 本文主要研究内容及章节安排 | 第14-16页 |
| 1.4.1 主要研究内容 | 第14-15页 |
| 1.4.2 章节安排 | 第15-16页 |
| 第二章 机器人定位基础理论 | 第16-28页 |
| 2.1 机动目标的运动模型 | 第16-18页 |
| 2.1.1 协同转弯模型 | 第16-17页 |
| 2.1.2 全向移动平台数学模型 | 第17-18页 |
| 2.2 传感器观测模型与噪声 | 第18-21页 |
| 2.2.1 激光测距仪 | 第18-19页 |
| 2.2.2 惯性传感器与里程计模型 | 第19-20页 |
| 2.2.3 噪声和系统误差 | 第20-21页 |
| 2.3 贝叶斯估计理论 | 第21-23页 |
| 2.3.1 贝叶斯定理 | 第21-22页 |
| 2.3.2 贝叶斯信号处理方法 | 第22-23页 |
| 2.4 粒子滤波 | 第23-27页 |
| 2.4.1 序贯蒙特卡罗信号处理 | 第23-24页 |
| 2.4.2 重采样技术 | 第24-25页 |
| 2.4.3 粒子滤波算法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于重采样过程改进的粒子滤波算法 | 第28-46页 |
| 3.1 非线性系统下滤波算法性能对比与分析 | 第28-35页 |
| 3.1.1 卡尔曼滤波 | 第28-29页 |
| 3.1.2 扩展卡尔曼滤波 | 第29-30页 |
| 3.1.3 基于UNGM模型的仿真实验与分析 | 第30-33页 |
| 3.1.4 粒子滤波的缺陷分析 | 第33-35页 |
| 3.2 基于遗传算法改进的重采样方法 | 第35-40页 |
| 3.2.1 重采样原理 | 第35-38页 |
| 3.2.2 基于遗传算法对重采样过程的改进过程 | 第38-40页 |
| 3.3 仿真实验和分析 | 第40-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 全向移动平台定位方法 | 第46-64页 |
| 4.1 基于双预测模型的定位方法 | 第46-47页 |
| 4.2 基于全向移动平台运动学的状态预测过程 | 第47-49页 |
| 4.3 惯性里程计预测模型 | 第49-50页 |
| 4.4 基于自适应抗差的模型置信度调整 | 第50-55页 |
| 4.4.1 自适应抗差理论 | 第50-53页 |
| 4.4.2 基于自适应抗差的置信度调整 | 第53页 |
| 4.4.3 定位算法自适应抗差参数确定 | 第53-55页 |
| 4.4.4 基于粒子滤波的数据融合过程 | 第55页 |
| 4.5 仿真结果与分析 | 第55-63页 |
| 4.5.1 算法实现过程 | 第56-58页 |
| 4.5.2 平台直线运动仿真结果 | 第58-62页 |
| 4.5.3 平台曲线运动仿真结果 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 机器人定位实验与结果分析 | 第64-78页 |
| 5.1 机器人定位硬件构建 | 第64页 |
| 5.2 机器人定位实验 | 第64-76页 |
| 5.2.1 静态目标测量 | 第65-70页 |
| 5.2.2 动态目标测量 | 第70-76页 |
| 5.3 本章小结 | 第76-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 课题总结 | 第78页 |
| 6.2 课题展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间所取得的相关科研成果 | 第84-86页 |
| 致谢 | 第86页 |
