| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 课题研究的现状及应用场景 | 第10-18页 |
| 1.2.1 国内外研究现状及分析 | 第10-12页 |
| 1.2.2 课题研究的方向 | 第12-14页 |
| 1.2.3 SLAM技术产品应用介绍 | 第14-18页 |
| 1.3 本文的内容和组织结构 | 第18-21页 |
| 1.3.1 主要研究工作 | 第18-19页 |
| 1.3.2 论文内容安排 | 第19-21页 |
| 第2章 移动机器人SLAM问题及解决方案 | 第21-40页 |
| 2.1 SLAM问题的一般定义 | 第21-23页 |
| 2.1.1 SLAM问题的过程描述 | 第21-22页 |
| 2.1.2 SLAM问题的数学模型 | 第22-23页 |
| 2.2 基于贝叶斯滤波原理的SLAM | 第23-27页 |
| 2.2.1 EKF-BasedSLAM | 第24-25页 |
| 2.2.2 RBPF-BasedSLAM | 第25-27页 |
| 2.3 基于图优化原理的SLAM | 第27-38页 |
| 2.3.1 前端VO | 第30-35页 |
| 2.3.2 后端图优化 | 第35-36页 |
| 2.3.3 回环检测 | 第36-38页 |
| 2.4 两种解决方案的对比和分析 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第3章 实验平台综合系统框架总体设计 | 第40-53页 |
| 3.1 系统组成 | 第40-43页 |
| 3.2 机械平台 | 第43-48页 |
| 3.2.1 开源机器人平台 | 第43-45页 |
| 3.2.2 本课题平台及运动模型 | 第45-48页 |
| 3.3 嵌入式硬件结构 | 第48-49页 |
| 3.4 软件系统 | 第49-51页 |
| 3.5 系统总体框架 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 RBPF-BasedSLAM算法优化策略 | 第53-62页 |
| 4.1 SLAM问题的分类 | 第53-54页 |
| 4.2 RBPF-BasedSLAM的研究进展 | 第54-56页 |
| 4.3 本文所提出的方法 | 第56-61页 |
| 4.3.1 DBSCAN聚类算法介绍 | 第56-58页 |
| 4.3.2 自适应局部高斯重采样算法(APGDR)介绍 | 第58-60页 |
| 4.3.3 本文所提出的RBPF-BasedSLAM算法 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 Graph-BasedSLAM算法优化策略 | 第62-68页 |
| 5.1 Graph-BasedSLAM的研究进展 | 第62-64页 |
| 5.2 本文所提出的方法 | 第64-67页 |
| 5.3 本章小结 | 第67-68页 |
| 第6章 实验设计及分析 | 第68-79页 |
| 6.1 GMapping算法和本文提出算法的对比实验 | 第68-72页 |
| 6.1.1 仿真实验 | 第68-70页 |
| 6.1.2 实体实验 | 第70-72页 |
| 6.2 ORB-SLAM算法和本文提出算法的对比实验 | 第72-78页 |
| 6.2.1 仿真实验 | 第73-75页 |
| 6.2.2 实体实验 | 第75-78页 |
| 6.3 本章小结 | 第78-79页 |
| 第7章 总结与展望 | 第79-81页 |
| 7.1 研究工作总结 | 第79页 |
| 7.2 未来研究展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 攻读学位期间的研究成果 | 第87页 |
