| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·研究目的及意义 | 第11-12页 |
| ·国内外研究现状和发展趋势 | 第12-17页 |
| ·移动机器人概述 | 第12-14页 |
| ·移动机器人定位研究现状 | 第14-16页 |
| ·移动机器人路径规划研究现状 | 第16-17页 |
| ·移动机器人的发展趋势 | 第17页 |
| ·本文的研究内容及结构安排 | 第17-19页 |
| 第2章 多传感器信息融合技术 | 第19-34页 |
| ·引言 | 第19页 |
| ·多传感器信息融合概述 | 第19-21页 |
| ·多传感器信息融合概念和基本原理 | 第19-20页 |
| ·多传感器信息融合的目的和意义 | 第20-21页 |
| ·多传感器信息融合的系统结构 | 第21-24页 |
| ·功能模型 | 第21-22页 |
| ·结构模型 | 第22-24页 |
| ·信息融合算法 | 第24-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于 GPS/INS 组合导航系统的滤波算法 | 第34-56页 |
| ·引言 | 第34-35页 |
| ·GPS 全球卫星定位系统描述 | 第35-37页 |
| ·GPS 系统概述 | 第35页 |
| ·GPS 系统的组成及特点 | 第35-36页 |
| ·GPS 系统的工作原理 | 第36-37页 |
| ·惯性导航系统（INS） | 第37-38页 |
| ·组合导航系统的数学模型 | 第38-41页 |
| ·组合导航系统的状态方程 | 第38-41页 |
| ·组合导航系统的量测方程 | 第41页 |
| ·卡尔曼滤波 | 第41-43页 |
| ·滤波器模型的建立 | 第42页 |
| ·卡尔曼滤波算法流程 | 第42-43页 |
| ·H∞滤波 | 第43-47页 |
| ·H∞滤波原理 | 第44-45页 |
| ·H∞滤波与卡尔曼滤波的关系 | 第45页 |
| ·仿真分析 | 第45-47页 |
| ·Sage-Husa 自适应滤波及改进 | 第47-51页 |
| ·简化的 Sage-Husa 自适应滤波算法原理 | 第47-48页 |
| ·仿真分析 | 第48-49页 |
| ·改进的 Sage-Husa 自适应滤波算法原理 | 第49-50页 |
| ·改进的 Sage-Husa 自适应滤波算法流程 | 第50-51页 |
| ·仿真分析及结果比较 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 第4章 基于 GPS/INS 组合导航系统的移动机器人定位系统的设计与实现 | 第56-72页 |
| ·引言 | 第56页 |
| ·系统硬件平台 | 第56-57页 |
| ·系统软件开发环境及整体架构 | 第57-58页 |
| ·系统软件平台 | 第57-58页 |
| ·系统架构 | 第58页 |
| ·系统的界面设计 | 第58-60页 |
| ·界面设计原则 | 第58-59页 |
| ·界面内容安排 | 第59-60页 |
| ·MapX 控件介绍 | 第60-62页 |
| ·主要功能模块的设计与实现 | 第62-68页 |
| ·串口通信 | 第62-63页 |
| ·定位数据分析及显示 | 第63-64页 |
| ·电子地图的基本操作 | 第64-67页 |
| ·定位及路径显示 | 第67-68页 |
| ·系统测试 | 第68-71页 |
| ·测试设备及结果 | 第68-70页 |
| ·定位误差来源及分析 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第5章 基于改进蚁群算法的全局移动机器人路径规划方法 | 第72-80页 |
| ·引言 | 第72页 |
| ·蚁群算法的基本原理 | 第72-76页 |
| ·问题描述与建模 | 第72-73页 |
| ·基本蚁群算法模型 | 第73-75页 |
| ·将蚁群算法用于机器人路径规划的改进策略 | 第75-76页 |
| ·改进蚁群算法流程 | 第76-77页 |
| ·仿真研究 | 第77-79页 |
| ·仿真例子一 | 第77-78页 |
| ·仿真例子二 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-82页 |
| ·研究总结 | 第80-81页 |
| ·进一步工作 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-89页 |
| 附录 | 第89页 |
