| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 第二章 相关理论与技术 | 第16-31页 |
| 2.1 SLAM算法解决的问题 | 第16-17页 |
| 2.2 SLAM算法的难点 | 第17-18页 |
| 2.3 SLAM算法分类 | 第18-22页 |
| 2.3.1 概率化SLAM问题 | 第19页 |
| 2.3.2 基于扩展卡尔曼滤波的SLAM算法 | 第19-21页 |
| 2.3.3 基于粒子滤波的SLAM算法 | 第21-22页 |
| 2.4 SLAM坐标系统 | 第22-23页 |
| 2.5 惯性导航系统 | 第23-27页 |
| 2.5.1 IMU模型建立 | 第24-25页 |
| 2.5.2 IMU姿态解算 | 第25-26页 |
| 2.5.3 位移计算 | 第26-27页 |
| 2.6 粒子优化算法 | 第27-29页 |
| 2.6.1 粒子群优化算法 | 第27-28页 |
| 2.6.2 免疫算法 | 第28-29页 |
| 2.7 多传感器融合的SLAM系统 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第三章 双目立体匹配关键技术的研究 | 第31-54页 |
| 3.1 引言 | 第31-32页 |
| 3.2 双目立体视觉 | 第32-37页 |
| 3.2.1 双目立体视觉模型 | 第32-34页 |
| 3.2.2 双目相机标定 | 第34-37页 |
| 3.3 图像特征提取算法和图像增强算法 | 第37-40页 |
| 3.3.1 ORB算法 | 第37-39页 |
| 3.3.2 图像增强算法 | 第39-40页 |
| 3.4 改进的ORB算法 | 第40-44页 |
| 3.4.1 优化ORB算法的提取过程 | 第40页 |
| 3.4.2 优化ORB匹配的筛选过程 | 第40-43页 |
| 3.4.3 改进后的ORB算法流程 | 第43-44页 |
| 3.5 实验结果及分析 | 第44-52页 |
| 3.5.1 多种图像特征提取分析 | 第45-47页 |
| 3.5.2 多种图像特征匹配分析 | 第47-50页 |
| 3.5.3 改进的误匹配去除算法 | 第50-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 融合IMU和双目相机的SLAM算法的研究 | 第54-71页 |
| 4.1 引言 | 第54-55页 |
| 4.2 FastSLAM算法概述 | 第55-57页 |
| 4.2.1 FastSLAM算法分析 | 第55页 |
| 4.2.2 FastSLAM算法的步骤 | 第55-57页 |
| 4.3 基于免疫算法和粒子群算法融合优化的FastSLAM算法 | 第57-66页 |
| 4.3.1 建立IA-PSO-FASTSLAM系统模型 | 第57-60页 |
| 4.3.2 融合粒子群算法和免疫算法优化粒子集 | 第60-63页 |
| 4.3.3 设定优化算法的阈值 | 第63-64页 |
| 4.3.4 IA-PSO-FastSLAM算法流程 | 第64-66页 |
| 4.4 仿真结果及分析 | 第66-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 SLAM系统搭建与实验 | 第71-80页 |
| 5.1 系统概述 | 第71页 |
| 5.2 实验环境介绍 | 第71-73页 |
| 5.2.1 ROS系统简介 | 第71-72页 |
| 5.2.2 传感器介绍 | 第72-73页 |
| 5.3 系统详细设计 | 第73-74页 |
| 5.4 实验结果 | 第74-79页 |
| 5.4.1 基于数据集的实验 | 第74-76页 |
| 5.4.2 基于现实场景的实验 | 第76-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 攻硕期间取得的成果 | 第88页 |
