室内移动机器人自定位方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 自定位问题描述 | 第16-18页 |
| 1.2.1 定位问题分类 | 第16-17页 |
| 1.2.2 主要挑战 | 第17-18页 |
| 1.3 国内外研究现状 | 第18-26页 |
| 1.3.1 机器人定位方式 | 第18-19页 |
| 1.3.2 二维地图定位方法 | 第19-21页 |
| 1.3.3 三维地图定位方法 | 第21-25页 |
| 1.3.4 动态环境定位研究 | 第25-26页 |
| 1.4 本文的主要工作和贡献 | 第26-27页 |
| 1.5 本文的组织结构 | 第27-30页 |
| 第二章 相关知识背景 | 第30-38页 |
| 2.1 自定位的概率学模型 | 第30-31页 |
| 2.2 运动模型 | 第31-33页 |
| 2.3 观测模型 | 第33-35页 |
| 2.4 经典蒙特卡洛定位 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 点-面特征融合的RGB-D视觉里程计 | 第38-54页 |
| 3.1 背景与概述 | 第38页 |
| 3.2 点-面特征提取 | 第38-42页 |
| 3.2.1 视觉特征点提取 | 第39-40页 |
| 3.2.2 平面特征提取 | 第40-42页 |
| 3.3 点-面特征匹配 | 第42-46页 |
| 3.3.1 算法框架 | 第42-43页 |
| 3.3.2 基于一致性约束图的特征关联 | 第43-45页 |
| 3.3.3 基于优化的运动求解 | 第45-46页 |
| 3.4 实验与分析 | 第46-52页 |
| 3.4.1 点面特征匹配 | 第46-49页 |
| 3.4.2 RGB-D视觉里程计 | 第49-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 办公环境下的RGB-D自定位 | 第54-70页 |
| 4.1 背景与概述 | 第54-55页 |
| 4.2 基于RGB-D的两轮自平衡车系统 | 第55-56页 |
| 4.3 RGB-D蒙特卡洛定位 | 第56-63页 |
| 4.3.1 RGB-D相机标定 | 第56-59页 |
| 4.3.2 RGB-D定位框架 | 第59-60页 |
| 4.3.3 RGB-D定位算法改进 | 第60-63页 |
| 4.4 实验与分析 | 第63-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 动态环境下的激光自定位 | 第70-82页 |
| 5.1 背景与概述 | 第70-71页 |
| 5.2 动态环境下的双地图定位 | 第71-76页 |
| 5.2.1 机器人盲走跟踪策略 | 第71-72页 |
| 5.2.2 基于局部SLAM的盲走跟踪 | 第72-76页 |
| 5.3 实验与分析 | 第76-81页 |
| 5.3.1 仿真实验 | 第76-79页 |
| 5.3.2 实物实验 | 第79-81页 |
| 5.4 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 作者简历 | 第90-92页 |
| 攻读学位期间取得的研究成果 | 第92页 |
