基于粒子滤波的智能移动机器人定位研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 移动机器人研究概述 | 第9-11页 |
| 1.2.1 移动机器人的发展 | 第9-10页 |
| 1.2.2 移动机器人主要研究内容 | 第10-11页 |
| 1.3 粒子滤波算法概述 | 第11-15页 |
| 1.3.1 粒子滤波发展史 | 第11-12页 |
| 1.3.2 粒子滤波研究现状 | 第12-14页 |
| 1.3.3 算法应用领域 | 第14-15页 |
| 1.4 论文的研究内容和章节安排 | 第15-17页 |
| 2 移动机器人定位模型与粒子滤波原理 | 第17-39页 |
| 2.1 常用传感器模型 | 第17-21页 |
| 2.1.1 里程计 | 第17-19页 |
| 2.1.2 激光传感器 | 第19-21页 |
| 2.2 机器人定位模型 | 第21-26页 |
| 2.2.1 坐标系统模型 | 第21-22页 |
| 2.2.2 运动模型 | 第22-24页 |
| 2.2.3 观测模型 | 第24-25页 |
| 2.2.4 噪声模型和系统误差 | 第25-26页 |
| 2.3 贝叶斯理论 | 第26-31页 |
| 2.3.1 贝叶斯定理 | 第26-27页 |
| 2.3.2 递推贝叶斯估计 | 第27-30页 |
| 2.3.3 蒙特卡罗方法 | 第30-31页 |
| 2.4 粒子滤波基本方法 | 第31-38页 |
| 2.4.1 重要性采样 | 第31-33页 |
| 2.4.2 序贯重要性采样 | 第33-34页 |
| 2.4.3 重采样算法 | 第34-36页 |
| 2.4.4 基本粒子滤波算法流程 | 第36-38页 |
| 2.5 本章总结 | 第38-39页 |
| 3 改进粒子滤波算法 | 第39-71页 |
| 3.1 粒子滤波重采样过程 | 第39-40页 |
| 3.2 基本重采样算法 | 第40-43页 |
| 3.2.1 多项式重采样 | 第40页 |
| 3.2.2 分层重采样 | 第40-41页 |
| 3.2.3 系统重采样 | 第41页 |
| 3.2.4 残差重采样 | 第41-42页 |
| 3.2.5 粒子多样性实验分析 | 第42-43页 |
| 3.3 改进重采样的粒子滤波算法 | 第43-58页 |
| 3.3.1 粒子组合重采样算法 | 第43-44页 |
| 3.3.2 理论分析 | 第44-46页 |
| 3.3.3 算法仿真比较 | 第46-58页 |
| 3.4 自适应的粒子滤波算法 | 第58-69页 |
| 3.4.1 经典自适应方法 | 第58-59页 |
| 3.4.2 基于JSD的粒子滤波改进算法 | 第59-69页 |
| 3.5 本章小结 | 第69-71页 |
| 4 基于粒子滤波的移动机器人定位 | 第71-80页 |
| 4.1 系统平台 | 第71-72页 |
| 4.2 ROS定位导航框架 | 第72-74页 |
| 4.3 实验验证 | 第74-79页 |
| 4.3.1 地图创建 | 第74-76页 |
| 4.3.2 定位误差测量 | 第76-79页 |
| 4.4 本章小结 | 第79-80页 |
| 5 总结与展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第87页 |
