基于多传感器融合的室内机器人自主导航方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 引言 | 第12-20页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外室内机器人发展现状 | 第13-14页 |
| 1.3 机器人导航技术及其发展 | 第14-16页 |
| 1.3.1 自主导航方法 | 第14-15页 |
| 1.3.2 自主导航关键技术及发展现状 | 第15-16页 |
| 1.4 多传感器融合在自主导航上的应用 | 第16-17页 |
| 1.5 本课题来源、目的及意义 | 第17-18页 |
| 1.5.1 课题来源 | 第17页 |
| 1.5.2 课题目的 | 第17页 |
| 1.5.3 课题意义 | 第17-18页 |
| 1.6 论文研究内容及结构安排 | 第18-20页 |
| 第2章 机器人综合系统框架总体设计 | 第20-38页 |
| 2.1 系统组成 | 第20-21页 |
| 2.2 机械平台 | 第21-27页 |
| 2.2.1 开源机器人平台 | 第21-23页 |
| 2.2.2 本课题平台设计 | 第23-27页 |
| 2.3 嵌入式硬件结构 | 第27-32页 |
| 2.3.1 开源硬件系统 | 第27-31页 |
| 2.3.2 本课题设计的硬件结构 | 第31-32页 |
| 2.4 软件系统 | 第32-36页 |
| 2.4.1 系统环境 | 第32-35页 |
| 2.4.2 本课题设计的软件系统 | 第35-36页 |
| 2.5 机器人系统总体框架 | 第36页 |
| 2.6 本章小结 | 第36-38页 |
| 第3章 基于ROS的多传感器融合SLAM方法研究 | 第38-56页 |
| 3.1 同时定位与地图构建的提出 | 第38-45页 |
| 3.1.1 自主导航问题 | 第38-39页 |
| 3.1.2 SLAM概念 | 第39-43页 |
| 3.1.3 SLAM在自主导航上的应用 | 第43-45页 |
| 3.2 本文提出的SLAM方法 | 第45-53页 |
| 3.2.1 超声、激光和视觉的多传感器融合 | 第46-50页 |
| 3.2.2 基于ROS的SLAM方法实现 | 第50-52页 |
| 3.2.3 本文方法在自主导航上实现 | 第52-53页 |
| 3.3 实验分析 | 第53-54页 |
| 3.3.1 融合建图实验 | 第53-54页 |
| 3.3.2 自主导航实验 | 第54页 |
| 3.4 本章小结 | 第54-56页 |
| 第4章 差动机器人里程计校正方法研究 | 第56-76页 |
| 4.1 里程计修正问题的提出 | 第56-62页 |
| 4.1.1 里程计问题 | 第56-58页 |
| 4.1.2 惯性测量单元简介 | 第58-59页 |
| 4.1.3 IMU类型对比及选用 | 第59-62页 |
| 4.2 本文提出的里程计修正方法 | 第62-71页 |
| 4.2.1 姿态解算 | 第62-65页 |
| 4.2.2 基于EKF融合加速度计和陀螺仪数据 | 第65-69页 |
| 4.2.3 基于互补滤波融合磁力计数据 | 第69-71页 |
| 4.2.4 本文的综合修正方法 | 第71页 |
| 4.3 实验分析 | 第71-74页 |
| 4.3.1 传感器校准实验 | 第71-72页 |
| 4.3.2 传感器融合实验 | 第72-73页 |
| 4.3.3 里程计校正实验 | 第73-74页 |
| 4.4 本章小结 | 第74-76页 |
| 第5章 室内机器人全局路径规划方法研究 | 第76-92页 |
| 5.1 全局路径规划 | 第76-80页 |
| 5.1.1 路径规划定义 | 第76-77页 |
| 5.1.2 全局路径规划方法及发展 | 第77-80页 |
| 5.2 本文提出的方向A~*算法 | 第80-88页 |
| 5.2.1 传统A~*算法问题分析 | 第80-81页 |
| 5.2.2 “视野线”平滑准则 | 第81-82页 |
| 5.2.3 圆弧—直线—圆弧”转弯策略 | 第82-85页 |
| 5.2.4 本文的方向A~*算法 | 第85-86页 |
| 5.2.5 基于二叉堆的加速方法 | 第86-88页 |
| 5.3 实验分析 | 第88-90页 |
| 5.3.1 路径规划仿真实验 | 第88-89页 |
| 5.3.2 真实环境下的实时路径规划 | 第89-90页 |
| 5.4 本章小结 | 第90-92页 |
| 第6章 基于语义建图的室内场景分类方法研究 | 第92-108页 |
| 6.1 室内语义SLAM | 第92-97页 |
| 6.1.1 语义建图及发展 | 第92-93页 |
| 6.1.2 语义地图构建趋势 | 第93-96页 |
| 6.1.3 深度学习对语义建图的影响 | 第96-97页 |
| 6.2 本文提出的场景分类算法 | 第97-101页 |
| 6.2.1 自主规划探索路径 | 第97-99页 |
| 6.2.2 AlexNet实时分类模型 | 第99-100页 |
| 6.2.3 基于概率分布的语义建图 | 第100-101页 |
| 6.3 实验分析 | 第101-106页 |
| 6.3.1 自主建图实验 | 第102页 |
| 6.3.2 语义地图实验 | 第102-105页 |
| 6.3.3 语义地图对路径规划的影响 | 第105-106页 |
| 6.4 本章小结 | 第106-108页 |
| 第7章 总结与展望 | 第108-110页 |
| 7.1 总结 | 第108-109页 |
| 7.2 展望 | 第109-110页 |
| 参考文献 | 第110-116页 |
| 致谢 | 第116-118页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第118页 |
