1 绪论
1.1 自主导航技术简介
1.2 移动机器人简介
1.2.1 移动机器人分类
1.2.2 移动机器人发展趋势
1.3 移动机器人导航基础
1.3.1 定位技术
1.3.2 地图模型
1.3.3 传感技术
1.4 SLAM
1.4.1 SLAM技术发展历程
1.4.2 SLAM问题解决方案
1.4.3 SLAM研究的基础问题
1.4.4 SLAM问题未来研究趋势
1.5 路径规划
1.5.1 全局路径规划
1.5.2 局部路径规划
1.5.3 发展趋势
1.6 人机交互
1.7 云机器人
2 SLAM算法基础
2.1 概率机器人
2.1.1 概率论基础
2.1.2 贝叶斯过滤器
2.1.3 基于贝叶斯的数据融合
2.1.4 贝叶斯滤波算法
2.2 SLAM问题描述
2.3 移动机器人运动和观测模型
2.3.1 移动机器人坐标系统
2.3.2 运动模型
2.3.3 环境地图和传感器观测模型
2.3.4 简化仿真模型
2.4 本章小结
3 基于Kalman滤波的SLAM算法
3.1 sLAM中常用卡尔曼滤波器
3.1.1 扩展卡尔曼滤波
3.1.2 无迹卡尔曼滤波
3.2 抗外部干扰的卡尔曼滤波SLAM算法
3.2.1 算法设计思路
3.2.2 干扰检测和状态方差膨胀
3.2.3 算法流程
3.3 仿真实验结果及分析
3.4 本章小结
4 基于粒子滤波的SLAM算法
4.1 引言
4.2 常用粒子滤波算法
4.2.1 Rao-Blackwellized粒子滤波算法
4.2.2 Gmapping算法
4.2.3 FastSLAM 2.0算法
4.3 基于DFC&ASD—PSO的FastSLAM算法
4.3.1 错误先验知识对FastSLAM算法的影响
4.3.2 Qf和Rt调整的适应度函数
4.3.3 DFC&ASD-PSO
4.3.4 Qt和Rt调整的流程
4.3.5 用于Qf和Rt调整粒子的运动和观测模型
4.3.6 算法流程
4.3.7 仿真实验结果及分析
4.3.8 实验结果及分析
4.4 基于SR.UKF和改进遗传重采样的FastSLAM算法
4.4.1 SR.UKF算法
4.4.2 基于双赌轮选择和快速MH变异的遗传重采样
4.4.3 算法流程
4.4.4 仿真实验结果及分析
4.4.5 实验结果及分析
4.5 本章小结
5 基于云计算的SLAM算法
5.1 引言
5.2 基于流式计算的SLAM算法
5.2.1 基于流式计算的SLAM服务框架
5.2.2 基于流式计算的多源异构数据融合SLAM方法
5.3 边云协同的SLAM算法
5.3.1 传感器数据采集
5.3.2 边端SLAM处理
5.3.3 云端SLAM处理
5.3.4 边云数据融合
5.3.5 边端局部地图保存和粒子重采样
5.4 本章小结
6 全局路径规划算法研究
6.1 引言
6.2 全局路径规划
6.2.1 路径规划问题描述
6.2.2 可视图理论
6.2.3 静态算法
6.2.4 动态算法
6.3 同步可视图构造和路径搜索
6.3.1 算法设计思路
6.3.2 算法流程
6.3.3 算法性能分析
6.3.4 仿真实验结果及分析
6.3.5 实验结果及分析
6.4 基于改进概率栅格分解的路径规划算法
6.4.1 基本概率栅格分解算法
6.4.2 改进概率栅格分解算法
6.4.3 2算法性能评价
6.4.4 仿真实验
6.5 本章小结
7 局部路径规划算法研究
7.1 引言
7.2 基于粒子群优化和B样条曲线的路径规划算法
7.2.1 多边形动态生成
7.2.2 基于SVGA算法的路径搜索
7.2.3 基于三次B样条曲线和粒子群优化的路径平滑
7.2.4 算法流程
7.2.5 仿真实验结果及分析
7.3 基于流式计算的路径规划算法
7.3.1 自主导航流式计算架构
7.3.2 路径规划的流式计算
7.3.3 仿真实验结果及分析
7.3.4 实验结果及分析
7.4 本章小结
8 自主导航中的人机交互研究
8.1 人机交互控制
8.2 生理信号分析
8.2.1 人机交互下生理信号分析
8.2.2 基于Hurst指数的生理信号分析
8.2.3 基于流式计算的生理信号分析
8.3 本章小结
参考文献
鄂公网安备 42010302001612号 