| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 本课题的背景及意义 | 第9页 |
| 1.2 机器人发展的现状 | 第9-11页 |
| 1.3 本课题研究的主要内容和目标 | 第11-12页 |
| 1.4 本课题遇到的难点 | 第12页 |
| 1.5 论文的结构安排 | 第12-14页 |
| 第2章 SLAM的基本理论和算法介绍 | 第14-18页 |
| 2.1 移动机器人系统模型的建立 | 第14-15页 |
| 2.1.1 移动机器人模型 | 第14-15页 |
| 2.1.2 机器人运动模型 | 第15页 |
| 2.1.3 机器人的观测模型 | 第15页 |
| 2.2 SLAM的典型流程 | 第15-16页 |
| 2.3 SLAM的算法介绍 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第3章 EKF-SLAM的关键方法研究 | 第18-32页 |
| 3.1 卡尔曼滤波(KF)的介绍 | 第18页 |
| 3.2 卡尔曼滤波的流程 | 第18-25页 |
| 3.2.1 卡尔曼滤波(KF)与扩展的卡尔曼滤波(EKF) | 第19-21页 |
| 3.2.2 离散卡尔曼滤波的Matlab仿真实验 | 第21-25页 |
| 3.3 EKF在SLAM中的应用 | 第25-27页 |
| 3.3.1 EKF-SLAM的相关介绍 | 第25页 |
| 3.3.2 EKF-SLAM算法的流程 | 第25-27页 |
| 3.4 结果与分析 | 第27-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 FastSLAM的关键方法研究 | 第32-43页 |
| 4.1 相关原理的介绍 | 第32-37页 |
| 4.1.1 贝叶斯估计的概念介绍 | 第32-34页 |
| 4.1.2 序贯蒙特卡罗信号处理的方法 | 第34-35页 |
| 4.1.3 仿真实验分析 | 第35-37页 |
| 4.2 基于粒子滤波器的FastSLAM的方法 | 第37-40页 |
| 4.2.1 FastSLAM简介 | 第37-38页 |
| 4.2.2 FastSLAM的算法流程介绍 | 第38-40页 |
| 4.3 仿真结果和分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 ROS的研究和基于自主设计SLAM机器人平台的FastSlam实验 | 第43-61页 |
| 5.1 ROS简介 | 第43-46页 |
| 5.1.1 ROS框架 | 第43-45页 |
| 5.1.2 TF变换 | 第45-46页 |
| 5.2 ROS机器人平台的设计与实现 | 第46-55页 |
| 5.2.1 ROS机器人平台的设计 | 第46页 |
| 5.2.2 SLAM机器人的硬件设计 | 第46-54页 |
| 5.2.3 软件模块的设计 | 第54-55页 |
| 5.3 ROS机器人的实现和FastSLAM的实验结果分析 | 第55-60页 |
| 5.3.1 ROS机器人的性能测试 | 第55-58页 |
| 5.3.2 室内环境的仿真及结果分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 导师简介 | 第66页 |
| 企业导师简介 | 第66-67页 |
| 作者简介 | 第67-68页 |
| 学位论文数据集 | 第68页 |
