多传感器融合技术在移动机器人定位中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题研究的意义 | 第9-10页 |
| ·移动机器人概述 | 第10-13页 |
| ·移动机器人国内外现状及发展趋势 | 第10-11页 |
| ·移动机器人定位技术概述 | 第11-13页 |
| ·多传感器信息融合技术 | 第13-15页 |
| ·多传感器信息融合的定义 | 第13-14页 |
| ·国内外多传感器数据融合技术的发展历史和现状 | 第14-15页 |
| ·信息融合技术在机器人领域中的应用 | 第15-16页 |
| ·本文的主要内容 | 第16-18页 |
| 第2章 多传感器信息融合技术 | 第18-29页 |
| ·多传感器信息融合技术的基本原理 | 第18-19页 |
| ·多传感器信息融合系统的层次结构 | 第19-20页 |
| ·信息融合的分类 | 第20-23页 |
| ·数据层融合 | 第21页 |
| ·特征层融合 | 第21-22页 |
| ·决策层融合 | 第22-23页 |
| ·多传感器信息融合系统的拓扑结构 | 第23-25页 |
| ·多传感器信息融合的一般方法 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 移动机器人定位方法研究 | 第29-38页 |
| ·基于概率的移动机器人定位技术 | 第29-31页 |
| ·贝叶斯滤波原理 | 第30-31页 |
| ·卡尔曼滤波定位算法(KF) | 第31-34页 |
| ·马尔可夫定位方法 | 第34-36页 |
| ·拓扑马尔可夫定位 | 第35-36页 |
| ·基于栅格的马尔可夫定位 | 第36页 |
| ·粒子滤波定位方法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于传感器信息融合的定位方法设计 | 第38-52页 |
| ·基于EKF的移动机器人定位 | 第38-42页 |
| ·坐标系统模型 | 第38-39页 |
| ·机器人位置模型 | 第39页 |
| ·里程计或者控制命令模型 | 第39-41页 |
| ·超声观测模型 | 第41-42页 |
| ·扩展卡尔曼定位方法 | 第42-46页 |
| ·EKF定位的前提假设 | 第42-43页 |
| ·EKF移动机器人定位方法的原理 | 第43-46页 |
| ·卡尔曼滤波器的应用限制 | 第46页 |
| ·移动机器人RFID定位系统 | 第46-48页 |
| ·移动机器人RFID定位原理 | 第47-48页 |
| ·RFID定位估计误差 | 第48页 |
| ·基于传感器融合的机器人定位方法 | 第48-51页 |
| ·基于传感器融合的定位仿真 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 实验和结果分析 | 第52-58页 |
| ·移动机器人介绍 | 第52-53页 |
| ·移动机器人硬件结构设计 | 第52页 |
| ·移动机器人平台介绍 | 第52-53页 |
| ·移动机器人传感器介绍 | 第53页 |
| ·RFID室内定位实验 | 第53-55页 |
| ·扩展卡尔曼定位实验 | 第55-57页 |
| ·实验结果分析 | 第57-58页 |
| 结论和展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第64页 |
