| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-13页 |
| 1 绪论 | 第13-31页 |
| ·研究背景和意义 | 第13-14页 |
| ·智能车发展概述 | 第14-21页 |
| ·国外研究现状 | 第14-18页 |
| ·国内研究现状 | 第18-21页 |
| ·智能车定位技术概述 | 第21-26页 |
| ·车辆定位技术采用的主要方法 | 第21-24页 |
| ·SLAM问题中的环境建模方法概述 | 第24-25页 |
| ·车辆同时定位与地图构建问题 | 第25-26页 |
| ·本文工作及结构 | 第26-31页 |
| ·本文工作 | 第26-29页 |
| ·本文结构 | 第29-31页 |
| 2 车辆定位问题的分析与建模 | 第31-43页 |
| ·引言 | 第31页 |
| ·车辆定位问题的概率学原理 | 第31-37页 |
| ·车辆定位问题描述 | 第31-35页 |
| ·基于里程计的车辆定位算法基本原理 | 第35页 |
| ·基于Kalman滤波的SLAM算法基本原理 | 第35-36页 |
| ·基于粒子滤波的SLAM算法基本原理 | 第36-37页 |
| ·车辆定位问题中的数学模型 | 第37-42页 |
| ·坐标系统及移动车辆位姿、环境路标定义 | 第37-38页 |
| ·基于里程计的移动车辆运动学建模 | 第38-40页 |
| ·不依赖里程计的车辆运动学建模 | 第40-41页 |
| ·环境观测模型及不确定性建模 | 第41-42页 |
| ·小结 | 第42-43页 |
| 3 基于旋转-平移解耦的立体视觉里程计理论及算法 | 第43-73页 |
| ·视觉系统的分类及其数学模型 | 第45-48页 |
| ·单目视觉系统 | 第45-46页 |
| ·双目视觉系统 | 第46-48页 |
| ·其他视觉系统 | 第48页 |
| ·视觉里程计的预处理 | 第48-57页 |
| ·特征点提取和匹配 | 第48-56页 |
| ·RANSAC | 第56-57页 |
| ·基于旋转-平移解耦的立体视觉里程计理论及算法 | 第57-71页 |
| ·摄像机姿态估计 | 第58-61页 |
| ·摄像机位置估计 | 第61-64页 |
| ·实验 | 第64-71页 |
| ·小结 | 第71-73页 |
| 4 基于正交容积变换卡尔曼滤波器的SLAM理论及算法研究 | 第73-91页 |
| ·基于KALMAN滤波的SLAM算法的理论知识 | 第75-77页 |
| ·SLAM的定义 | 第76页 |
| ·贝叶斯推导 | 第76-77页 |
| ·正交容积变换 | 第77-78页 |
| ·基于平方根正交容积卡尔曼滤波SLAM理论及算法(SCQKF-SLAM) | 第78-83页 |
| ·预测 | 第78-79页 |
| ·更新 | 第79-81页 |
| ·初始化新的特征点 | 第81页 |
| ·数据关联 | 第81-83页 |
| ·实验与仿真 | 第83-89页 |
| ·Matlab仿真实验 | 第83-85页 |
| ·Car Park数据集实验及分析 | 第85-88页 |
| ·维多利亚数据库仿真 | 第88-89页 |
| ·小结 | 第89-91页 |
| 5 基于正交容积粒子滤波器的SLAM理论及算法研究 | 第91-121页 |
| ·概率图模型下的SLAM基本理论 | 第91-95页 |
| ·概率图模型基本知识 | 第91-92页 |
| ·SLAM问题：马尔科夫链?隐式马尔科夫链? | 第92-95页 |
| ·Full-SLAM | 第95页 |
| ·FASTSLAM算法原理及证明 | 第95-97页 |
| ·正交容积FASTSLAM理论及算法 | 第97-103页 |
| ·预测 | 第97-98页 |
| ·更新 | 第98-100页 |
| ·初始化新的特征点 | 第100-101页 |
| ·重要性采样 | 第101-102页 |
| ·重采样 | 第102-103页 |
| ·实验及仿真 | 第103-118页 |
| ·正交容积FastSLAM算法的实验与分析 | 第103-110页 |
| ·不依赖里程计的车辆运动学模型的实验与分析 | 第110-118页 |
| ·小结 | 第118-121页 |
| 6 总结和展望 | 第121-123页 |
| 参考文献 | 第123-131页 |
| 附录A 一维SLAM例子 | 第131-135页 |
| 附录B GRAPH MODEL SLAM | 第135-137页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第137-141页 |
| 学位论文数据集 | 第141页 |
