| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-18页 |
| ·研究背景 | 第11-12页 |
| ·国内外发展现状 | 第12-15页 |
| ·国内研究现状 | 第12-14页 |
| ·国外研究进展 | 第14-15页 |
| ·AUV关键技术 | 第15-16页 |
| ·论文研究内容和组织结构 | 第16-18页 |
| 2 机器人同时定位与地图创建 | 第18-31页 |
| ·传感器的选择与布局 | 第18-23页 |
| ·惯性导航系统 | 第20-21页 |
| ·声纳传感器 | 第21-22页 |
| ·视觉传感器 | 第22-23页 |
| ·环境地图表示 | 第23-27页 |
| ·栅格地图 | 第23-24页 |
| ·拓扑地图 | 第24-25页 |
| ·特征地图 | 第25-26页 |
| ·混合地图 | 第26-27页 |
| ·地图选择 | 第27页 |
| ·SLAM算法的关键问题 | 第27-30页 |
| ·地图创建问题 | 第27-28页 |
| ·信息的不确定性 | 第28页 |
| ·计算复杂度的问题 | 第28-29页 |
| ·数据关联问题 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于扩展卡尔曼滤波的SLAM算法 | 第31-51页 |
| ·卡尔曼滤波(KF,KalmanFiIter)介绍 | 第31页 |
| ·系统模型的表达 | 第31-38页 |
| ·坐标系统模型 | 第32-33页 |
| ·状态模型 | 第33-35页 |
| ·运动模型 | 第35-36页 |
| ·里程计模型 | 第36-37页 |
| ·观测模型 | 第37-38页 |
| ·扩展卡尔曼滤波过程 | 第38-42页 |
| ·预测阶段 | 第38-40页 |
| ·更新阶段 | 第40页 |
| ·状态扩充阶段 | 第40-42页 |
| ·基于EKF的SLAM算法 | 第42-43页 |
| ·算法流程 | 第42-43页 |
| ·多传感器数据融合 | 第43页 |
| ·数据关联算法 | 第43-47页 |
| ·扫描数据预处理 | 第45页 |
| ·投影映射 | 第45-46页 |
| ·数据匹配 | 第46-47页 |
| ·仿真实验 | 第47-50页 |
| ·基于实际数据集的离线实验 | 第47-48页 |
| ·基于模拟数据集的仿真实验 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 4 基于粒子分裂的滤波算法 | 第51-61页 |
| ·粒子滤波算法 | 第52-56页 |
| ·顺序重要性采样 | 第53-54页 |
| ·粒子退化现象 | 第54-56页 |
| ·粒子分裂的滤波算法 | 第56-57页 |
| ·仿真实验和结果 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 5 总结展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 个人简历 | 第69页 |
| 发表的学术论文 | 第69页 |