| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 目录 | 第9-17页 |
| 第一章 绪论 | 第17-37页 |
| ·引言 | 第17页 |
| ·研究背景和意义 | 第17-19页 |
| ·研究背景 | 第17-18页 |
| ·研究意义 | 第18-19页 |
| ·国内外相关研究的现状及分析 | 第19-34页 |
| ·传感器信息融合的研究现状及分析 | 第19-21页 |
| ·移动机器人定位的研究现状及分析 | 第21-25页 |
| ·移动机器人地图创建的研究现状及分析 | 第25-26页 |
| ·移动机器人同时定位与地图创建的研究现状及分析 | 第26-32页 |
| ·SLAM研究的关键问题 | 第32-34页 |
| ·主要研究内容及章节安排 | 第34-37页 |
| ·主要研究内容 | 第34-35页 |
| ·章节安排 | 第35-37页 |
| 第二章 移动机器人的一些基本模型 | 第37-45页 |
| ·引言 | 第37页 |
| ·基本模型简介 | 第37-44页 |
| ·坐标系模型 | 第37-38页 |
| ·机器人位姿模型 | 第38页 |
| ·里程计模型 | 第38-41页 |
| ·机器人运动模型 | 第41-42页 |
| ·环境地图模型 | 第42页 |
| ·传感器观测模型 | 第42-43页 |
| ·环境特征的动态模型 | 第43-44页 |
| ·噪声模型 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第三章 基于GP-SRCKF的机器人定位方法 | 第45-60页 |
| ·引言 | 第45-46页 |
| ·机器人定位中常用的几种卡尔曼滤波器 | 第46-51页 |
| ·扩展卡尔曼滤波器(EKF) | 第46-47页 |
| ·无迹卡尔曼滤波器(UKF) | 第47-49页 |
| ·数值积分卡尔曼滤波器(CKF) | 第49-51页 |
| ·基于GP-SRCKF的单机器人定位方法 | 第51-59页 |
| ·高斯过程(Gaussian Process) | 第51-52页 |
| ·GP-SRCKF算法 | 第52-55页 |
| ·基于GP-SRCKF的单机器人定位方法 | 第55页 |
| ·实验及结果分析 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第四章 基于PSO-PF的机器人定位方法 | 第60-83页 |
| ·引言 | 第60页 |
| ·粒子滤波算法 | 第60-66页 |
| ·最优贝叶斯估计 | 第61页 |
| ·顺序重要性采样 | 第61-64页 |
| ·粒子滤波算法的实现步骤 | 第64-65页 |
| ·粒子滤波存在的问题 | 第65-66页 |
| ·基于粒子滤波的机器人定位方法 | 第66页 |
| ·基于PSO-PF的机器人定位方法 | 第66-76页 |
| ·粒子群优化算法 | 第66-69页 |
| ·基于PSO-PF的单机器人定位方法 | 第69-72页 |
| ·实验及结果分析 | 第72-76页 |
| ·基于PSO-PF的多机器人协作定位方法 | 第76-82页 |
| ·基于PSO-PF的多机器人协作定位方法 | 第76-78页 |
| ·实验及结果分析 | 第78-82页 |
| ·本章小结 | 第82-83页 |
| 第五章 基于DDPF-DDF的机器人SLAM方法 | 第83-113页 |
| ·引言 | 第83-84页 |
| ·基于FastSLAM的机器人SLAM方法 | 第84-91页 |
| ·FastSLAM过程的马尔可夫性质 | 第84-86页 |
| ·FastSLAM的粒子形式 | 第86-87页 |
| ·FastSLAM的实现步骤 | 第87-91页 |
| ·基于FastSLAM的机器人SLAM实现步骤 | 第91页 |
| ·基于DDPF-DDF的单机器人SLAM方法 | 第91-102页 |
| ·差分滤波器 | 第92-94页 |
| ·基于DDPF-DDF的单机器人SLAM方法 | 第94-97页 |
| ·实验及结果分析 | 第97-102页 |
| ·基于DDPF-DDF的多机器人协作SLAM方法 | 第102-112页 |
| ·产生一个新的粒子集 | 第104页 |
| ·陆标估计 | 第104页 |
| ·重要性权重计算及重采样 | 第104页 |
| ·路径和地图估计 | 第104-105页 |
| ·基于DDPF-DDF的多机器人协作SLAM程序流程 | 第105-106页 |
| ·实验及结果分析 | 第106-112页 |
| ·本章小结 | 第112-113页 |
| 第六章 基于改进SEIF的机器人SLAM方法 | 第113-136页 |
| ·引言 | 第113页 |
| ·基于扩展信息滤波的SLAM方法 | 第113-119页 |
| ·SLAM问题概率模型的信息形式 | 第114-115页 |
| ·测量更新 | 第115-117页 |
| ·运动更新 | 第117-119页 |
| ·基于SEIF的SLAM方法 | 第119-125页 |
| ·SEIF的一般思想 | 第119-120页 |
| ·信息矩阵的稀疏化 | 第120-122页 |
| ·状态向量近似递推恢复 | 第122-123页 |
| ·数据关联概率近似恢复 | 第123-125页 |
| ·基于SEIF的SLAM方法实现步骤 | 第125页 |
| ·基于改进SEIF的机器人SLAM方法 | 第125-135页 |
| ·SEIF数据关联存在的问题 | 第125-126页 |
| ·SEIF数据关联的改进方法 | 第126-128页 |
| ·基于改进稀疏扩展信息滤波的SLAM方法实现步骤 | 第128-129页 |
| ·实验与结果分析 | 第129-135页 |
| ·本章小结 | 第135-136页 |
| 总结 | 第136-138页 |
| 参考文献 | 第138-151页 |
| 攻读博士学位期间发表或完成的论文 | 第151-154页 |
| 致谢 | 第154页 |