一、自主移动机器人三角定位的路标优化（论文文献综述）
晋峰高[1]（2021）在《移动机器人室内自主定位与地图构建的关键技术研究》文中研究指明随着信息技术、网络技术和计算机技术的快速发展,移动机器人因其灵活性以及可搭配多种传感器的特点和优势,在各个领域都有广泛的应用,尤其在复杂环境下能够代替人去完成特殊工作。自主定位与地图构建（Simultaneous Localization and Mapping,SLAM）是为了解决移动机器人在复杂环境下因GPS等传统定位手段受限,而无法正常工作的问题的关键技术,但在实际使用中SLAM技术还存在定位精度低、地图构建不完整和地图偏移等问题。本课题结合自主搭建的机器人平台,对现有SLAM传统算法分析基础上,对扩展卡尔曼滤波算法进行研究,在此基础上为了提高SLAM算法的对地图构建的精确度,研究设计了基于（Rao-Blackwellized Particle Filters）RBPF的自适应SLAM算法。所取得的成果包括以下几个方面:首先,设计了SLAM研究的模型,包括定位模型、运动模型、观测模型和地图模型;重点对激光雷达测距原理,扩展卡尔曼滤波算法,粒子滤波算法研究分析,并针对粒子在重采样过程中出现的粒子采样数较大和粒子贫化的问题,提出了粒子群优化算法,粒子集中的每个粒子不断优化,尽可能逼近粒子集的最优值,达到在采样粒子数减少时,精确度不变的要求。其次,针对在实际过程中错误的过程协方差矩阵和测量协方差矩阵,导致的粒子收敛性能下降的问题,在研究Fast SLAM2.0算法的基础上,提出了基于RBPF的自适应SLAM（RBPF-ASLAM）算法,采用最陡梯度下降法对系统的自由参数进行训练,达到粒子向后验概率密度显着的状态空间区域移动增强粒子收敛性的目的,通过仿真实验,对比了RBPF-ASLAM与Fast SLAM2.0结果,得到RBPF-ASLAM的粒子收敛更好,与机器人真实运动轨迹更逼近。最后,通过搭建ROS仿真平台,对上述算法与传统Gmapping算法进行测试和验证,结果表明RBPF-ASLAM在地图创建时对处理地图边界粒子收敛性的性能更好。
李维婷[2]（2020）在《基于单目视觉的多传感融合机器人自主定位系统设计》文中研究表明随着智能制造时代的到来,机器人技术的发展受到了人们的广泛关注。智能移动机器人可应用于工业和服务业,节约大量的经济与人力成本以及丰富人们的生活。在智能移动机器人执行各种不同的任务时,对其进行精确的定位是首先要解决的问题,因此具有十分重要的研究意义。本文基于自行研发的机器人编队和目标围捕实验平台,利用机器人上的单目摄像机、编码器和惯性测量单元（Interial Measurement Unit,IMU）设计并实现了一套基于多传感器的机器人自主定位系统。同时将任务执行和和定位复用于一个摄像头,节省了硬件成本和运算成本,并且定位精度高,适用于室内高精度混合编队等任务。本文的主要工作如下:（1）研究并应用目前常用的特征提取算法,包括KAZE算法、FAST算法、ORB算法和BRISK算法。研究并应用特征点配对方法,包括特征匹配和光流跟踪。在实验室场景下,通过机器人携带的摄像机设备采集图像,设计详细实验对各类算法进行比较。最终确定采用FAST算法和光流跟踪算法来分别进行图像的特征提取和配对。（2）在任务执行和定位同时进行的场景下,原本用于定位的图像中会出现大量和任务相关的动态目标,这些动态目标对单目视觉里程计定位会造成极大的干扰。针对该问题,本文设计了静态背景特征点筛选算法,有效剔除了图像中的动态目标特征点。首先提出基于IMU信息辅助图像序列特征点匹配算法。然后设计基于聚类分析的特征点分类方法。最后根据特征点分类结果对动态目标特征点进行剔除。（3）针对传统的单目视觉里程计算法估计得到的相机位姿具有尺度不确定性问题,提出了一种改进的单目视觉里程计算法,使得对单目相机的运动估计可以适用于移动机器人的自主定位。首先对IMU传感器和编码器的数据进行扩展卡尔曼滤波（Extended Kalman Filter,EKF）融合得到图像帧之间的平移向量。然后对传统单目视觉里程计算法进行改进,将2D-2D和3D-2D两种相机运动估计方法相结合,并对3D点进行二次筛选进一步得到最优3D点。（4）在数据集和室内环境使用本文算法进行实验,验证了本文算法的有效性和适用性。通过对定位误差进行分析,验证了本文方法可以实现移动机器人的精确定位,满足项目需求。
孙仲旭[3]（2020）在《基于激光雷达的AGV定位技术研究》文中认为近年来电商购物节的货运量越来越大,使得物流行业得到了迅猛的发展,智能物流、无人物流将是物流业未来的发展方向。AGV作为仓储物流行业重要工具,经历了传统的借助二维码、磁条、反光板等辅助装置实现定位到利用AGV携带的传感器实现自主定位的多次技术迭代。其中基于激光雷达的AGV是应用最广泛的形式,但是在实际使用中,基于激光雷达的AGV定位还存在着全局重定位失败,定位精度差等问题。本文针对激光雷达AGV在实际使用中的全局重定位失败、定位精度差等问题分别提出解决办法,提高了仓库环境下AGV的定位能力,使得仓库AGV定位更加高效化和智能化。本文的主要研究内容如下:针对AGV系统重启或与服务器连接中断情况下的全局重定位失败问题,研究了环境地图构建方法和激光雷达数据预处理技术,利用激光雷达实时扫描数据与既有地图进行图像匹配,构建线特征匹配算法,完成了算法的工程实现和定位测试。对于AGV定位精度差的问题,分析了传统的粒子滤波定位算法和扫描匹配算法原理,提出了一种融合扫描匹配方法的改进粒子滤波定位算法。通过粒子滤波定位算法确定粗略全局位姿,将其作为迭代最近点算法的位姿初始值,在多次迭代优化之后输出精确的全局位姿,在仓库仿真环境下完成了精度测试。针对局部地图人工路标定位问题,改进了现有的人工路标定位方式,优化了人工路标空间结构,减少了定位所需的路标数量,并为改进人工路标适配了定位算法。通过单个路标同时构建向量和中心点两种定位信息完成定位,在仿真系统中完成了算法测试。在Gazebo仿真环境和ROS机器人操作系统中,搭建了仿真仓库来模拟真实环境。并在该环境中测试了以上三种算法,仿真实验结果都达到了预期目标,验证了本文解决方案的有效性。
代云勇[4]（2020）在《畜牧养殖场环境巡检机器人的建图及导航研究》文中研究说明现代技术导致激光雷达和视觉传感器的成本不断降低,技术上也获得了一定的突破,自主导航的机器人研究成为一门比较热门的研究领域。在实际应用中,自主导航的机器人不再仅仅是实验室环境下实验产物,开始逐渐的走出实验室,进行工业生产和畜牧养殖等产业。自主导航是实现产业无人化的重要环节,为了达到自主导航的目的,机器人要根据传感器获知自己的位置,需要的位置前提为需要具有一套较为精准的地图,两项技术总称为同时定位与地图构建（SLAM）。本文针对畜牧养殖场的环境,以ROS为框架,改进传统轮式自主移动机器人,对履带式移动机器人系统的搭建和相关SLAM技术的研究。首先对系统所需的硬件系统进行搭建,同时设计畜牧养殖场巡检机器人的基于履带式运动平台的机械结构。阐述SLAM系统的环境地图模型和构建栅格地图的基本原理及传感器的模型。通过对基于滤波器的SLAM算法进行分析研究,进行多种二维和三维的SLAM算法的对比试验,为多传感器融合技术的构建打下了基础。在ROS框架下对VINSMono算法进行改进,改进优化后的VINSMono算法和图优化算法在畜牧养殖环境中可具有强的鲁棒性,达到应用的目的。在算法的优化上,通过分析地图所需要构建的环境。利用改进的图优化算法和改进的视觉VINSMono算法对地图构建中的特征点进行提取,传统的提取特征方式为深度信息,仅能提取环境的点与边界线的提取,失去地图上的多个语义信息,造成建立的稀疏地图不准确。为改进上述问题,在算法中加入回环检测特征的提取模型,提出的视觉与传统单线激光雷达算法混合并行运算的混合提取算法,改进后的算法构建的模拟实验养殖环境的地图模型与实际环境进行对比,通过对比发现实验结果的模型与实际实验环境更加接近,达到混合并行算法的目的。同时解决了模拟的养殖环境中的盲区无法被检测到的问题。基于滤波方法和基于图优化方法是主要使用的SLAM基础理论,对两种方法的SLAM基本原理进行介绍和仿真,对滤波算法中的Gmapping、Hector SLAM和图优化算法中的Cartographer三种经典算法进行介绍和实验对比。同时视觉SLAM算法中应用ORB-SLAM算法模型和VINSMono算法模型进行实验。
罗健升[5]（2021）在《低延时激光同步定位与建图技术研究》文中研究表明近年来,机器人不断迅速渗透到社会生产与日常生活中,机器人感知的核心技术,同步定位与建图技术,已经成为研究重点。在许多SLAM的应用中,尤其是自主移动机器人领域,对算法的实时性提出了要求,由于SLAM算法本身的计算复杂度很高,运行在传统的CPU或嵌入式系统上速度较慢,需要高性能的CPU才能满足其要求,然而,由于尺寸和成本的限制,很难在移动机器人上部署高性能的CPU。除此之外,机器人系统还需要处理很多其他任务,因此有些时候会存在机器人系统无法实时运行SLAM算法。因此亟需一个面向自主移动机器人的解决方案。针对这一问题,在本文的工作中,对自主移动机器人领域最常用的基于激光的SLAM算法进行了深入的研究,并基于FPGA实现了一个激光SLAM加速器,在实际环境测试中,取得了一定的效果。首先,论文介绍了SLAM的意义以及国内外研究现状与发展,简要阐述了SLAM算法的基本理论框架,包括滤波理论和图优化理论;然后介绍了SLAM的关键技术,详细说明了即时定位技术和地图构建技术。随后,对Gmapping算法进行了深入的研究,通过实验对Gmapping算法进行分析,确定算法参数对算法性能的影响以及算法各部分的耗时情况,为之后的硬件设计提供准备。在此基础上,对Gmapping算法提出了多线程实现的优化方案。接下来,基于Zynq对加速器进行了设计。采用软硬件协同设计的方法将原有算法的最耗时的部分映射到PL部分实现,其他部分在PS部分实现。通过以下方面的设计,优化加速器的实现:（1）接口部分由DMA和RAM实现,减少访存的CPU占用和访存时间,降低CPU的负担;（2）针对硬件存储有限提出了地图切割与压缩的优化方案;（3）针对权重计算复杂,提出了简化权重计算的优化方案。最后进行了实验。算法仿真结果显示,本文优化Gmapping算法后,整个算法的运行速度相对原算法提升了4倍左右。随后在Zynq系列开发板上实现了加速器,并开发板装载在机器人平台上进行了实际环境运行效果测试。实验结果表明,本文设计的加速器能基本达到设计的目标:除了能够极大地减少对通用计算资源的占用外,硬件PL部分相比在通用计算资源运在处理速度上快了5倍;整个系统在室内10m*10m的测试环境下,最大误差在30cm,平均误差在10cm左右,具有一定的工程价值。最后,总结了本文研究内容并提出对后续工作的展望。
何成伟[6]（2020）在《基于视觉SLAM的移动机器人研究与应用》文中指出在机器人领域中,视觉SLAM（Simultaneous Localization and Mapping）技术已经成为了机器人业界内最受热议的课题之一,SLAM技术是在没有先验条件的环境中实现机器人自主定位与建图技术,利用摄像机实现空间三维重建的想法逐渐被推广和尝试应用。本文主要研究基于ORB-SLAM（Oriented and Brief-SLAM）技术的改进算法,从前端、后端和建图技术三个方面入手,改进现有的视觉SLAM算法,并运用到室内移动机器人中。在前端视觉里程计中,针对ORB算法对于光照与尺度变换敏感的缺陷,利用SIFT算法在检测关键点的高斯金字塔分层检测极值的方法改进原有ORB算法的关键点检测技术,并通过实际仿真实验验证了改进ORB算法的实时性和有效性,使得改进后的ORB关键点在之后的移动机器人实验中的鲁棒性增强,提高了建图和定位的精度。在后端中,针对提高后端优化的效率和优化的质量,构造BA（Bundle Adjustment捆集优化法）优化模型,以最小二乘法误差项模型作为代价函数,利用增量方程雅可比矩阵稀疏性优化BA实时运算性能,获取高斯概率模型估计的运动轨迹与位姿变换信息。同时,针对大规模地图和路径构造上,采用化简位姿图Pose Graph,放弃对原本BA优化中的大量特征点路标进行重复优化,减少了BA运算负载。在建图上,采用Octomap建图技术,利用移动机器人单目RGB-D相机获取深度图和彩色图,并通过改进的ORB-SLAM算法,将后端得出的路径和Octomap地图相对应,提出建立3D-RRT-ISM地图构建技术,三维重建移动机器人的周围场景。在移动机器人研究中,分为机器人运动路径优化研究和避障研究,以激光传感器为辅,实现机器人移动避障并利用深度摄像头进行SLAM建图。通过RRT快速随机树得到避障空白区域节点。通过改进蚁群算法,从最短时间和最短距离两个方面对机器人行走路径进行导航,并在终端里利用Qt设计开发的机器人上位机可视化界面。
王登魁[7]（2019）在《基于多传感器的室内机器人导航定位系统》文中研究说明机器人技术,尤其是移动机器人技术,已经开始在工业制造、军事、物流和室内服务领域得到越来越广泛的应用。在移动机器人的关键技术中,即时定位与地图构建SLAM（Simultaneous Localization and Mapping）和多传感器信息的融合至关重要,是移动机器人实现精确自主导航的基础。本文以Turtlebot2移动机器人为平台,配置了里程计和二维激光雷达等感知设备。首先对系统的运动模型和观测模型进行了建模处理,建立了基于里程计的运动模型和基于二维激光雷达的观测模型,紧接着对激光雷达的数据进行了滤波处理。然后对环境地图形式进行了对比分析,确认了栅格地图为本文的地图构建形式。针对移动机器人的定位问题,深入研究了粒子滤波算法的原理,在粒子滤波算法的基础上引入RBPF（Rao-Blackwellized Particle Filter）算法改进定位性能,并对RBPF算法存在的粒子退化问题采用改进提议分布的方法进行优化。对算法分别进行了MATLAB仿真验证和ROS（Robot Operating System）环境下的实测验证,改进算法均表现出较好的有效性。针对移动机器人的导航问题,结合实际需求,将其分为全局路径规划和局部路径优化问题。在全局路径规划中,在综合对比分析A*算法和Dijsktra算法基础上,选择A*算法作为本文的全局路径规划算法;在局部路径规划部分,考虑到移动机器人运动过程中速度、加速度和障碍物距离等因素的限制,采用了动态窗口法DWA（Dynamic Window Approach）算法作为本文的局部路径规划算法。在所构建的移动机器人平台上,实现了基于传感器数据融合的地图构建、基于改进粒子滤波算法的机器人定位以及全局和局部路径规划。针对室内应用,设计了多个特定场景进行了试验。对移动机器人运行进行了直观表现评估,并对其运行数据进行了分析评价,整体方案的可行性和各环节算法有效性均得到了验证。
巨江[8]（2019）在《基于激光雷达的室内移动机器人SLAM研究》文中进行了进一步梳理近年来,随着人工智能成为各领域的热门研究方向,移动机器人的智能化也迅速发展起来,移动机器人对周围的信息进行感知,能够进行自主移动成为智能化的基本要求。应用传感器感知的信息实现可靠定位是自主移动机器人最基本、最重要的能力,也是机器人研究中备受关注,富有挑战性的一个研究主题。同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）是机器人智能化运动的前提,也是目前机器人研究领域的难点和热点话题,因此SLAM是机器人研究中的一项重要内容。本文使用激光雷达作为主要的传感器,以基于Arduino的移动机器人小车作为平台,研究在室内环境中机器人位姿未知的情况下的SLAM方法和路径规划问题。主要工作如下:首先,搭建SLAM所需的硬件平台,建立移动小车的运动模型和传感器观测模型,对常见激光传感器的原理进行详细分析,给出论文所采用的RPLidar A2激光传感器的数据采集方法;使用两种滤波方法:扩展卡尔曼滤波器（Extended Kalman Filter,EKF）和粒子滤波器（Particle Filter,PF）来解决SLAM问题。通过在MATLAB中仿真实现二者,对比二者的仿真结果,扩展卡尔曼滤波在本文的实际应用中是更好的滤波方法。然后着重设计和实现了点云处理过程中的滤波,区域划分,拟合和路标提取的算法。本文在对前后时刻的点云进行匹配时,提出选取点云中的路标点进行匹配,降低了点云匹配的算法复杂度。并使用卡尔曼滤波方法实现了室内环境的SLAM过程,在室内环境中,搭建机器人平台,机器人小车以固定速度移动并进行SLAM过程,系统的结果符合预期。最后在应用SLAM过程得到的结果地图中,实现路径规划算法。给出路径规划中的地图表示方法:栅格地图,直线地图,拓扑地图和基于路标的地图。针对栅格地图应用A*算法路径规划,给出了A*算法在栅格地图中路径规划的步骤,并编写了相应的算法代码,总结了优缺点,在传统A*算法的基础上,对其进行了八邻域的改进,使用MATLAB进行仿真,有效的实现了路径规划,对机器人路径规划提供技术基础。
杨树玉[9]（2019）在《一种基于少量立式标签的巡检机器人视觉导航系统》文中进行了进一步梳理智能技术的发展推动了机器人领域的研究进展,越来越多的工作可以由智能机器人辅助完成,如变电站沿线巡检、工厂车间设备异常检测、物流行业巡检运输等等。智能巡检机器人（IPR,Intelligent Patrol Robot）实现各种应用的基础是定位导航。目前常见的巡检机器人导航技术有电磁导航、惯性导航、激光导航、GPS（Global Positioning System）导航和视觉导航等。其中视觉导航成本较低,是利用摄像头获取环境知识,应用范围广泛,在理论上能够适用于多种不同的巡检场合。随着视觉研究的深入以及摄像头成本的降低,基于人工路标的导航方式正在成为巡检机器人视觉导航的应用热点。户外导航环境中,铺设在地面上的人工路标不可避免地会受到灰尘和积雪的影响。室内导航时,人工路标多布设在地面或者天花板上,但在不少车间中室内地面不允许铺设标识物,而某些车间的天花板过高或者结构过于复杂,难以布设人工路标。因此有必要针对这种情况开展巡检机器人的视觉导航应用研究。对此,设计了一种布设到巡检路径两侧设备或墙壁上的立式路标。为了减少对导航环境的改造,通过利用尽可能少的立式路标来实现巡检机器人的定位导航。这就对路标检测和机器人定位算法提出了更高的要求,即不仅要保证算法的实时性,还要尽量提高定位的准确率,以保证巡检机器人的导航精度。本研究的主要工作是设计了一种应用在特定导航环境中的立式人工路标,开发了一套路标检测和视觉导航方法,实现了路标的实时准确地检测和巡检机器人的定位导航。主要的研究内容如下:（1）路标设计。为了满足导航环境的限制,提高少量路标情况下机器人导航的精度,同时尽可能减少对导航环境的改造,将布置在路径两侧设备或墙壁上的人工路标设计为立式突出状态,路标保持与巡检路径方向垂直的状态,以尽量减少透视效果造成的较远距离路标在图像中面积急剧减小的现象,提高路标检测效果。设计的人工路标分为局部定位路标和全局定位路标,使用有色反光条作为局部定位路标,提高路标检测的实时性;使用改进的二维码标识作为全局定位路标,确保路标识别的正确性。（2）地图表示。针对本导航系统,设计了一种使用邻接矩阵表示的拓扑地图,将拓扑节点与全局定位路标对应,实现巡检机器人的路径规划。（3）路标检测算法。利用少量立式路标实现巡检机器人的导航,为提高导航的实时性和准确性,设计了一种路标检测算法,通过提取局部定位路标的多颜色空间特征以及边缘特征,可以较为准确的识别出局部定位路标区域,提高路标的检测精度和速度。（4）自主定位导航。在巡检机器人的行进过程中,利用机器人的相机内部参数和路标检测算法获取的参数计算出其当前的行进偏移量,通过模糊控制方式对机器人的行进方向进行矫正,实现其稳定行驶。同时根据识别出的全局定位路标与拓扑地图进行匹配,对机器人的行进路径进行规划。本文针对实际应用环境中的巡检机器人导航问题,提出了一种有效的解决方案,其主要创新点在于人工路标的设计和路标检测算法的研究。
翁潇文[10]（2019）在《基于图优化的移动机器人SLAM算法研究》文中提出同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是移动机器人在陌生环境下进行环境检测和自定位的方法,是移动机器人自主执行任务的核心技术,也是提升机器人智能性与灵活性的关键技术。此外,SLAM技术也是实现无人驾驶技术、增强现实技术等前沿科技的基础。SLAM技术的研究与发展能够推动智能制造的进步,对军事国防,制造业,服务业,交通运输业等领域都有着重要意义。基于图优化的SLAM算法与基于粒子滤波的SLAM算法相比,具有累积误差更小,实时性更高,对硬件的要求更低等优点,是目前SLAM技术的主要研究方向。本文结合当前研究热点,以图优化理论为基础,基于改进的点云配准算法,设计出仅需要激光传感器单一传感器的SLAM算法。然后以机器人操作系统为通信框架,采用激光传感器结合麦克纳姆轮基座搭建移动机器人实验平台与仿真实验环境。实验结果表明该算法在计算资源需求与建图精度间达到一个较好的平衡。此外,证明了所搭建的仿真环境具备算法验证功能,对减少机器人算法开发成本,缩短开发时间等具有一定的意义。本文主要研究内容包括以下几个方面:（1）介绍SLAM问题的基本求解原理,将SLAM问题抽象为运动模型与观测模型,为算法提供数学理论基础,并且对SLAM算法中常用的地图表示方法和机器人自定位方法进行总结;（2）将常用点云配准算法分成迭代最近点类算法和基于特征类算法两种类型,分析了两类算法的原理,对比了算法的效果,然后结合两类算法的优势提出了改进的点云配准算法,实验证明改进的点云配准算法在保证精度的情况下收敛速度更快,为SLAM算法的实时性提供保障;（3）根据图优化的思想设计激光点云SLAM算法,图优化前端采用改进的点云配准算法推测位姿变换,通过无迹卡尔曼滤波与运动控制指令进行数据融合,形成累积误差小、保存信息较多的子地图,并将子地图以栅格地图的形式保存;图优化后端以子地图位姿为优化目标,根据词袋模型进行回环检测,添加相应的运动模型约束、观测模型约束与回环约束,采用通用图优化算法框架求解优化方程,采用最小二乘法得出最优解,最后根据结果调整子地图位姿,将子地图拼接成全局地图;（4）搭建移动机器人实验平台,以及使用VREP仿真软件搭建基于现实平台的仿真实验平台,分别在现实平台和仿真平台进行算法实验,实验结果证实了算法的可行性,也说明了仿真平台能够代替现实环境进行算法验证,减少算法开发成本。
二、自主移动机器人三角定位的路标优化（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自主移动机器人三角定位的路标优化（论文提纲范文）
（1）移动机器人室内自主定位与地图构建的关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的意义与背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标和内容 |
| 1.4 论文结构安排 |
| 第2章 移动机器人SLAM系统模型 |
| 2.1 移动机器人定位模型 |
| 2.1.1 SLAM系统模型 |
| 2.1.2 移动机器人动力学模型 |
| 2.1.3 移动机器人观测模型 |
| 2.1.4 SLAM中的数据关联 |
| 2.2 环境地图模型 |
| 2.2.1 特征地图 |
| 2.2.2 拓扑地图 |
| 2.2.3 栅格地图 |
| 2.3 激光雷达测距 |
| 2.4 本章小结 |
| 第3章 SLAM定位算法的研究 |
| 3.1 卡尔曼滤波定位算法 |
| 3.2 扩展卡尔曼滤波定位算法 |
| 3.3 粒子群优化定位算法 |
| 3.3.1 粒子滤波 |
| 3.3.2 粒子滤波定位算法 |
| 3.3.3 粒子群优化算法 |
| 3.3.4 粒子群算法改进采样 |
| 3.3.5 粒子群定位算法 |
| 3.4 仿真实验对比 |
| 3.5 本章小结 |
| 第4章 基于粒子滤波算法的研究 |
| 4.1 Fast SLAM2.0 算法 |
| 4.2 粒子表示形式与改进 |
| 4.3 RBPF-ASLAM算法的的提出 |
| 4.3.1 RBPF-ASLAM算法原理 |
| 4.3.2 RBPF-ASLAM算法的实现步骤 |
| 4.4 仿真实验与结果分析 |
| 4.5 本章小结 |
| 第5章 实验平台搭建与仿真 |
| 5.1 移动机器人平台 |
| 5.2 ROS操作平台 |
| 5.3 Gmapping算法 |
| 5.4 RBPF-ASLAM与 Gmapping实验对比 |
| 5.5 本章小节 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（2）基于单目视觉的多传感融合机器人自主定位系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 移动机器人自主定位研究现状 |
| 1.2.2 单目视觉里程计研究现状 |
| 1.3 本文主要工作及章节安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 章节安排 |
| 第二章 移动机器人自主定位系统介绍 |
| 2.1 引言 |
| 2.2 机器人系统整体构架 |
| 2.2.1 硬件系统构架 |
| 2.2.2 软件系统构架 |
| 2.3 多传感器融合定位系统主要模块 |
| 2.3.1 旋转编码器 |
| 2.3.2 惯性测量单元(IMU) |
| 2.3.3 视觉传感器 |
| 2.4 定位系统工作运行流程 |
| 2.5 本章小结 |
| 第三章 图像特征点提取与配对算法的选择 |
| 3.1 引言 |
| 3.2 常用特征提取算法 |
| 3.2.1 KAZE算法 |
| 3.2.2 FAST算法 |
| 3.2.3 ORB算法 |
| 3.2.4 BRISK算法 |
| 3.3 特征点配对方法 |
| 3.3.1 特征匹配 |
| 3.3.2 光流跟踪 |
| 3.4 实验及算法选择 |
| 3.4.1 实验方法 |
| 3.4.2 图像特征提取算法实验及选择 |
| 3.4.3 图像序列特征配对算法实验及选择 |
| 3.5 本章小结 |
| 第四章 基于IMU信息及聚类分析的背景特征点筛选算法设计 |
| 4.1 引言 |
| 4.2 IMU估计帧间运动 |
| 4.2.1 坐标系定义 |
| 4.2.2 位姿定义及坐标系变换 |
| 4.2.3 相机成像模型 |
| 4.2.4 IMU预积分模型 |
| 4.2.5 IMU辅助图像序列特征点匹配 |
| 4.3 聚类分析算法介绍 |
| 4.4 基于IMU信息及聚类分析的背景特征点筛选实现 |
| 4.5 实验结果与分析 |
| 4.5.1 相机标定实验 |
| 4.5.2 相机-IMU外参标定实验 |
| 4.5.3 基于IMU信息及聚类分析的背景特征点筛选实验 |
| 4.6 本章小结 |
| 第五章 基于EKF的数据融合自主定位系统设计 |
| 5.1 引言 |
| 5.2 单目相机运动估计 |
| 5.2.1 2D-2D方法 |
| 5.2.2 三角测量 |
| 5.2.3 3D-2D方法 |
| 5.3 基于EKF融合编码器和IMU数据 |
| 5.3.1 机器人运动模型的建立 |
| 5.3.2 观测模型的建立 |
| 5.3.3 EKF算法的实现 |
| 5.4 改进单目视觉里程计算法 |
| 5.5 实验结果与分析 |
| 5.5.1 EKF实验 |
| 5.5.2 改进单目视觉里程计算法实验 |
| 5.6 本章小结 |
| 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）基于激光雷达的AGV定位技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的来源 |
| 1.2 课题研究的背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 AGV定位技术研究现状 |
| 1.3.2 激光扫描匹配研究现状 |
| 1.4 主要研究内容 |
| 第2章 基于线特征的全局重定位方法 |
| 2.1 引言 |
| 2.2 激光雷达数据处理 |
| 2.2.1 激光雷达数据获取 |
| 2.2.2 无效点去除与坐标变换 |
| 2.3 环境地图构建 |
| 2.3.1 地图表示方法 |
| 2.3.2 栅格地图构建方法 |
| 2.3.3 环境地图初始化 |
| 2.4 线特征定位算法研究 |
| 2.4.1 线特征分类算法 |
| 2.4.2 线特征的似然域匹配算法 |
| 2.5 算法验证 |
| 2.6 本章小结 |
| 第3章 改进粒子滤波定位技术 |
| 3.1 引言 |
| 3.2 粒子滤波定位算法研究 |
| 3.2.1 贝叶斯滤波算法 |
| 3.2.2 重要性采样 |
| 3.2.3 粒子滤波定位算法实现 |
| 3.3 融合扫描匹配的粒子滤波定位算法研究 |
| 3.3.1 迭代最近点扫描匹配算法 |
| 3.3.2 融合扫描匹配的粒子滤波定位算法步骤 |
| 3.4 定位算法仿真测试 |
| 3.4.1 仿真环境搭建 |
| 3.4.2 仿真步骤及结果分析 |
| 3.5 本章小结 |
| 第4章 改进人工路标局部定位技术研究 |
| 4.1 引言 |
| 4.2 人工路标定位算法原理 |
| 4.2.1 三角测量法定位 |
| 4.2.2 改进人工路标定位原理 |
| 4.3 改进的人工路标定位算法研究 |
| 4.3.1 人工路标特征提取算法 |
| 4.3.2 折角板定位算法 |
| 4.4 算法验证 |
| 4.4.1 定位误差测定 |
| 4.4.2 误差分析 |
| 4.5 本章小结 |
| 第5章 AGV定位技术仿真 |
| 5.1 引言 |
| 5.2 仿真环境搭建及地图构建 |
| 5.3 全局重定位仿真 |
| 5.3.1 全局重定位仿真指标 |
| 5.3.2 全局重定位仿真及结果分析 |
| 5.4 改进粒子滤波定位算法仿真 |
| 5.4.1 改进粒子滤波定位仿真指标 |
| 5.4.2 重复定位仿真结果分析 |
| 5.4.3 停靠定位仿真结果分析 |
| 5.5 局部定位技术仿真 |
| 5.5.1 局部定位技术仿真指标 |
| 5.5.2 局部定位技术仿真及结果分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（4）畜牧养殖场环境巡检机器人的建图及导航研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 畜牧养殖机器人的自主移动技术的发展 |
| 1.2.1 SLAM机器人导航研究进展 |
| 1.2.2 SLAM机器人在畜牧养殖业的发展及应用 |
| 1.2.3 基于图优化的激光SLAM算法 |
| 1.3 主要研究内容 |
| 第二章 养殖场SLAM机器人总体方案与建模 |
| 2.1 引言 |
| 2.2 根据要求进行方案策划 |
| 2.2.1 整体方案要求 |
| 2.2.2 总体的方案策划 |
| 2.3 机器人机械及驱动系统 |
| 2.4 畜牧养殖业机器人的控制系统总体方案 |
| 2.4.1 基于ROS的上位机软件系统 |
| 2.4.2 硬件系统的搭建 |
| 2.5 畜牧养殖业机器人的运动模型建立 |
| 2.5.1 坐标系转换 |
| 2.5.2 里程计模型的建立 |
| 2.5.3 激光雷达2D扫描模型 |
| 2.6 环境地图模型 |
| 2.6.1 地图简介 |
| 2.6.2 栅格地图 |
| 2.6.3 利用激光传感器构建占据栅格地图 |
| 2.7 本章小结 |
| 第三章 基于激光雷达和视觉传感器的SLAM研究 |
| 3.1 引言 |
| 3.2 基于滤波器的SLAM |
| 3.3 基于G2激光雷达的SLAM方法 |
| 3.3.1 Hector SLAM算法模型 |
| 3.3.2 Gmapping算法模型 |
| 3.4 MYNTEYE摄像头视觉SLAM方法 |
| 3.4.1 ORB-SLAM算法模型 |
| 3.4.2 VINS_Mono算法模型 |
| 3.5 基于多传感器的算法模型 |
| 3.5.1 传感器性能及功能 |
| 3.5.2 基于RBPF的地图构建 |
| 3.5.3 特征点处理以及IMU数据的松耦合 |
| 3.6 本章小结 |
| 第四章 图优化建图及路径规划算法 |
| 4.1 引言 |
| 4.2 图优化的SLAM系统的原理与框架 |
| 4.2.1 图优化系统原理 |
| 4.2.2 图的优化 |
| 4.2.3 实现过程与框架 |
| 4.2.4 路径规划 |
| 4.3 图优化解决畜牧养殖场环境的盲区问题 |
| 4.3.1 实验环境 |
| 4.3.2 Rviz可视化平台 |
| 4.4 本章小结 |
| 第五章 基于图优化的建图及导航实验 |
| 5.1 引言 |
| 5.2 实验平台 |
| 5.3 地图构建流程及配置 |
| 5.4 地图环境和地图构建实验 |
| 5.4.1 地图环境 |
| 5.4.2 地图构建 |
| 5.5 实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读期成果 |
（5）低延时激光同步定位与建图技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 研究现状与发展 |
| 1.3 本文的主要工作 |
| 1.4 本论文的结构安排 |
| 第二章 同步定位与建图理论基础 |
| 2.1 概述 |
| 2.2 同步定位与建图理论方法 |
| 2.2.1 滤波理论 |
| 2.2.2 图优化理论 |
| 2.3 同步定位与建图关键技术 |
| 2.3.1 即时定位技术 |
| 2.3.2 地图构建技术 |
| 2.4 本章小结 |
| 第三章 激光同步定位与建图算法设计 |
| 3.1 引言 |
| 3.2 Gmapping算法模型及原理 |
| 3.2.1 Gmapping算法模型 |
| 3.2.2 Gmapping算法原理 |
| 3.3 Gmapping算法优化 |
| 3.3.1 算法分析 |
| 3.3.2 算法实现的优化 |
| 3.4 本章小结 |
| 第四章 激光同步定位与建图加速器设计 |
| 4.1 基于ZYNQ的硬件架构 |
| 4.2 ZYNQ PS部分设计 |
| 4.2.1 接口部分设计 |
| 4.2.2 传感器数据处理 |
| 4.2.3 里程计数据处理 |
| 4.2.4 地图数据处理 |
| 4.3 ZYNQ PL部分设计 |
| 4.3.1 数据通路设计 |
| 4.3.2 航迹推算模块设计 |
| 4.3.3 扫描匹配模块设计 |
| 4.3.4 重采样模块设计 |
| 4.4 本章小结 |
| 第五章 激光同步定位与建图测试结果与分析 |
| 5.1 实验平台介绍 |
| 5.2 软硬件开发流程 |
| 5.3 算法测试结果与分析 |
| 5.4 加速器测试结果与分析 |
| 5.4.1 PL部分仿真结果与分析 |
| 5.4.2 PS部分测试结果与分析 |
| 5.4.3 集成测试结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于视觉SLAM的移动机器人研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究综述 |
| 1.2.2 国内研究综述 |
| 1.3 主要研究内容和章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文章节安排 |
| 第二章 视觉SLAM机器人的数学理论基础 |
| 2.1 SLAM数学基础理论 |
| 2.1.1 空间三维刚体运动 |
| 2.1.2 描述李群李代数 |
| 2.2 单目摄像机的内参矩阵 |
| 2.3 本章小结 |
| 第三章 视觉SLAM的视觉里程计设计 |
| 3.1 基于SIFT关键点检测方法改进的ORB特征点 |
| 3.1.1 改进ORB关键点检测法 |
| 3.1.2 特征点检测与描述子提取实验 |
| 3.2 对极几何与基本矩阵研究 |
| 3.3 利用三角测量法对三维空间位置求解 |
| 3.4 本章小结 |
| 第四章 SLAM后端定位优化 |
| 4.1 连续机器人状态估计方法 |
| 4.2 基于图论的非线性图优化模型 |
| 4.2.1 基于图优化的后端位姿图优化定位 |
| 4.2.2 位姿图优化 |
| 4.2.3 位姿图优化仿真实验 |
| 4.3 本章小结 |
| 第五章 视觉SLAM移动机器人室内路径规划应用 |
| 5.1 移动SLAM机器人简介 |
| 5.1.1 移动机器人硬件介绍 |
| 5.1.2 移动机器人上位机界面介绍 |
| 5.2 基于改进蚁群算法模型的路径规划 |
| 5.2.1 引入动态光滑敏感因子 |
| 5.2.2 动态最小敏感距离 |
| 5.2.3 算法仿真实验 |
| 5.3 室内RRT-ISM的逆传感器路径地图研究 |
| 5.3.1 RRT快速扩展随机树方法研究 |
| 5.3.2 实际RRT避障实验地图 |
| 5.4 OctoMap三维建图实验 |
| 5.4.1 OctoMap构建地图技术 |
| 5.4.2 地图构建 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结与创新点 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（7）基于多传感器的室内机器人导航定位系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及研究目的和意义 |
| 1.1.1 机器人技术发展与应用 |
| 1.1.2 移动机器人技术国内外研究现状 |
| 1.2 移动机器人定位技术研究现状 |
| 1.3 移动机器人导航技术研究现状 |
| 1.4 论文组织结构 |
| 2 移动机器人运动与感知建模 |
| 2.1 移动机器人系统状态方程 |
| 2.2 移动机器人系统建模 |
| 2.2.1 机器人坐标系 |
| 2.2.2 移动机器人运动模型 |
| 2.2.3 激光雷达观测模型和数据处理 |
| 2.3 环境地图模型 |
| 2.4 本章小结 |
| 3 基于改进粒子滤波SLAM算法的移动机器人定位 |
| 3.1 移动机器人SLAM过程描述 |
| 3.2 粒子滤波基本原理 |
| 3.2.1 贝叶斯滤波过程 |
| 3.2.2 贝叶斯重要性采样 |
| 3.2.3 序贯重要性采样 |
| 3.2.4 重采样 |
| 3.3 基于粒子滤波的机器人定位算法流程 |
| 3.4 基于RBPF粒子滤波的SLAM算法与改进 |
| 3.4.1 RBPF粒子滤波的SLAM算法 |
| 3.4.2 RBPF算法的改进 |
| 3.5 仿真结果及分析 |
| 3.5.1 MATLAB仿真结果分析 |
| 3.5.2 ROS环境下仿真结果分析 |
| 3.6 本章小结 |
| 4 移动机器人自主导航 |
| 4.1 全局路径规划算法 |
| 4.1.1 迪杰斯特拉最优路径算法 |
| 4.1.2 A*算法介绍 |
| 4.1.3 ROS环境中全局路径规划算法仿真实验和对比分析 |
| 4.2 局部路径规划算法 |
| 4.2.1 DWA算法原理 |
| 4.2.2 DWA算法的仿真 |
| 4.3 移动机器人导航策略设计与实现 |
| 4.4 本章小结 |
| 5 移动机器人的定位和导航实验 |
| 5.1 实验平台简介 |
| 5.1.1 移动机器人硬件平台 |
| 5.1.2 移动机器人软件平台ROS系统介绍 |
| 5.1.3 移动机器人平台在ROS系统中的整体框架描述 |
| 5.2 真实环境下移动机器人建图定位实验 |
| 5.3 实验室环境下移动机器人导航实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）基于激光雷达的室内移动机器人SLAM研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 机器人研究背景及意义 |
| 1.1.1 机器人的发展 |
| 1.1.2 机器人学 |
| 1.2 国内外研究现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 相关领域研究进展 |
| 1.3.1 智能机器人的发展 |
| 1.3.2 SLAM的定义与发展 |
| 1.4 本文主要内容 |
| 第二章 SLAM理论与模型分析 |
| 2.1 SLAM理论和所需的硬件结构 |
| 2.1.1 SLAM理论概述 |
| 2.1.2 SLAM的分类 |
| 2.1.3 SLAM所需的硬件结构 |
| 2.2 激光测距雷达的原理介绍 |
| 2.2.1 激光测距原理 |
| 2.2.2 激光测距性能比较 |
| 2.2.3 激光测距仪选型 |
| 2.3 SLAM的系统模型 |
| 2.3.1 运动学模型 |
| 2.3.2 特征模型 |
| 2.3.3 观测模型 |
| 2.4 本章小结 |
| 第三章 SLAM滤波分析与算法仿真 |
| 3.1 贝叶斯估计 |
| 3.1.1 贝叶斯滤波 |
| 3.1.2 贝叶斯滤波的数学推导 |
| 3.1.3 表示法和计算 |
| 3.2 KF和 EKF算法仿真 |
| 3.2.1 卡尔曼滤波 |
| 3.2.2 扩展卡尔曼滤波器 |
| 3.3 PF算法仿真 |
| 3.4 本章小结 |
| 第四章 SLAM实验研究与分析 |
| 4.1 地图构建流程 |
| 4.2 区域划分与路标提取 |
| 4.2.1 噪声滤除 |
| 4.2.2 区域划分 |
| 4.2.3 路标提取 |
| 4.3 滤波算法的实验实现 |
| 4.3.1 实验平台的搭建 |
| 4.3.2 实验过程 |
| 4.4 本章小结 |
| 第五章 基于地图的路径规划 |
| 5.1 路径规划 |
| 5.1.1 引入路径规划 |
| 5.1.2 路径规划的要求 |
| 5.2 A*算法 |
| 5.2.1 栅格地图 |
| 5.2.2 传统A*算法的路径规划流程 |
| 5.2.3 传统A*算法存在的不足 |
| 5.2.4 A*算法的优化 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来研究趋势 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）一种基于少量立式标签的巡检机器人视觉导航系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 巡检机器人视觉研究的背景及意义 |
| 1.2 国内外发展现状及趋势 |
| 1.2.1 电磁导航技术 |
| 1.2.2 惯性导航技术 |
| 1.2.3 激光导航技术 |
| 1.2.4 GPS导航技术 |
| 1.2.5 视觉导航技术 |
| 1.2.6 基于人工路标的视觉导航方法 |
| 1.3 本课题研究思路及相关方法 |
| 1.4 论文结构 |
| 第二章 相关基础知识 |
| 2.1 图像处理的相关概念及算法 |
| 2.1.1 颜色空间 |
| 2.1.2 数学形态学运算 |
| 2.2 相机成像模型 |
| 2.3 模糊控制 |
| 2.4 本章小结 |
| 第三章 巡检机器人视觉导航方法 |
| 3.1 基于人工路标的视觉导航研究基础 |
| 3.1.1 基于视觉导航线的导航方法 |
| 3.1.2 基于立式切向人工路标的视觉导航方法 |
| 3.2 基于少量立式突出路标的视觉导航方法 |
| 3.2.1 导航方法介绍 |
| 3.2.2 人工路标设计 |
| 3.2.3 局部定位公式 |
| 3.2.4 局部定位路标检测算法 |
| 3.2.5 相关参数提取 |
| 3.2.6 运动控制调节 |
| 3.3 本章小结 |
| 第四章 机器人软硬件系统 |
| 4.1 机器人系统 |
| 4.1.1 机器人硬件系统 |
| 4.1.2 机器人二次开发系统 |
| 4.2 系统界面设计 |
| 4.3 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 实验环境 |
| 5.2 实验结果 |
| 5.2.1 角度距离测试实验结果 |
| 5.2.2 节点路标识别实验结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（10）基于图优化的移动机器人SLAM算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 SLAM技术应用现状 |
| 1.2.1 国外应用现状 |
| 1.2.2 国内应用现状 |
| 1.3 SLAM技术研究现状 |
| 1.4 论文的主要工作和结构安排 |
| 第二章 SLAM算法原理 |
| 2.1 SLAM基本原理 |
| 2.2 SLAM数学模型 |
| 2.2.1 运动模型 |
| 2.2.2 观测模型 |
| 2.3 环境地图的表示 |
| 2.4 移动机器人定位 |
| 2.4.1 相对定位 |
| 2.4.2 绝对定位 |
| 2.5 本章小结 |
| 第三章 基于ICP的改进点云配准算法 |
| 3.1 点云配准算法简介 |
| 3.2 迭代最近点类算法 |
| 3.3 基于特征的点云配准算法 |
| 3.3.1 直接提取特征 |
| 3.3.2 转换图像提取特征 |
| 3.4 改进点云配准算法 |
| 3.5 本章小结 |
| 第四章 基于图优化的SLAM算法研究 |
| 4.1 图优化算法思想 |
| 4.2 点云预处理 |
| 4.3 构建子地图 |
| 4.4 构建全局地图 |
| 4.4.1 回环检测 |
| 4.4.2 构建全局地图 |
| 4.5 本章小结 |
| 第五章 图优化SLAM算法实验与分析 |
| 5.1 机器人操作系统 |
| 5.1.1 机器人操作系统介绍 |
| 5.1.2 基于ROS的 SLAM算法结构 |
| 5.2 平台硬件系统结构 |
| 5.2.1 麦克纳姆轮基座 |
| 5.2.2 激光传感器 |
| 5.2.3 实验平台 |
| 5.3 仿真实验平台搭建 |
| 5.3.1 虚拟机器人实验平台简介 |
| 5.3.2 机器人模型搭建 |
| 5.4 实验过程 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、自主移动机器人三角定位的路标优化（论文参考文献）
- [1]移动机器人室内自主定位与地图构建的关键技术研究[D]. 晋峰高. 沈阳理工大学, 2021(01)
- [2]基于单目视觉的多传感融合机器人自主定位系统设计[D]. 李维婷. 华南理工大学, 2020(02)
- [3]基于激光雷达的AGV定位技术研究[D]. 孙仲旭. 哈尔滨工业大学, 2020(01)
- [4]畜牧养殖场环境巡检机器人的建图及导航研究[D]. 代云勇. 江西理工大学, 2020(01)
- [5]低延时激光同步定位与建图技术研究[D]. 罗健升. 电子科技大学, 2021(01)
- [6]基于视觉SLAM的移动机器人研究与应用[D]. 何成伟. 上海工程技术大学, 2020(04)
- [7]基于多传感器的室内机器人导航定位系统[D]. 王登魁. 大连理工大学, 2019(07)
- [8]基于激光雷达的室内移动机器人SLAM研究[D]. 巨江. 西安电子科技大学, 2019(02)
- [9]一种基于少量立式标签的巡检机器人视觉导航系统[D]. 杨树玉. 济南大学, 2019(01)
- [10]基于图优化的移动机器人SLAM算法研究[D]. 翁潇文. 华南理工大学, 2019(01)