移动机器人粒子滤波定位与地图创建2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

移动机器人粒子滤波定位与地图创建PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 概述1

1.1 引言1

1.2 国内外移动机器人发展概况2

1.3 移动机器人定位与地图创建研究现状及分析7

1.3.1 传感器信息融合的研究现状及分析7

1.3.2 定位的研究现状及分析8

1.3.3 地图创建的研究现状及分析10

1.3.4 机器人SLAM的研究现状及分析13

参考文献15

第2章 移动机器人系统建模22

2.1 引言22

2.2 机器人坐标系统23

2.2.1 AS-R移动机器人平台23

2.2.2 机器人坐标系统24

2.3 地图模型25

2.4 运动模型25

2.5 传感器分类与感知模型27

2.5.1 传感器的分类27

2.5.2 视觉传感器感知模型28

2.5.3 激光测距仪感知模型29

2.5.4 传感器噪声模型31

参考文献31

第3章 粒子滤波定位原理32

3.1 引言32

3.2 基于概率的定位方法33

3.2.1 状态空间模型33

3.2.2 贝叶斯滤波原理33

3.2.3 基于贝叶斯滤波的定位36

3.3 机器人粒子滤波定位方法40

3.3.1 粒子滤波原理41

3.3.2 基于PF的机器人定位算法45

3.4 常规粒子滤波存在的问题47

3.4.1 重要性函数选择问题47

3.4.2 粒子退化问题47

3.4.3 计算效率问题48

3.4.4 粒子滤波定位存在的问题48

3.5 粒子滤波的一些改进方法49

3.5.1 无迹粒子滤波方法49

3.5.2 进化粒子滤波方法50

3.5.3 辅助采样-重采样方法50

3.5.4 规则化采样方法50

3.5.5 自适应粒子滤波方法50

参考文献51

第4章 基于视觉的粒子滤波定位方法55

4.1 引言55

4.2 用于建模与定位的机器人视觉技术56

4.2.1 基于兴趣点的环境建模与定位56

4.2.2 基于图像外观的环境建模与定位58

4.2.3 立体视觉技术59

4.2.4 视觉环境建模与定位的难点和趋势60

4.3 视觉不变量理论64

4.3.1 视觉不变量理论概述64

4.3.2 变换群65

4.3.3 特征不变量66

4.3.4 仿射变换66

4.4 尺度空间理论67

4.4.1 尺度空间理论的发展历程67

4.4.2 尺度空间69

4.4.3 尺度检测机制72

4.5 图像不变特征的属性及其分类73

4.6 图像不变特征的构造方法74

4.6.1 矩不变量74

4.6.2 变换域特征75

4.6.3 特征点和特征区域75

4.7 局部不变特征检测方法76

4.7.1 角点特征检测方法76

4.7.2 斑状特征检测方法79

4.7.3 区域特征检测方法81

4.8 局部不变特征描述方法85

4.8.1 基于微分的描述符85

4.8.2 基于分布的描述符85

4.8.3 不变矩描述符86

4.9 图像的不变性特征87

4.9.1 SIFT特征描述符87

4.9.2 SIFT算法的特点88

4.10 ISIFT特征算法89

4.10.1 ISIFT尺度空间极值检测89

4.10.2 ISIFT极值点精确定位91

4.10.3 ISIFT关键点方向的确定92

4.10.4 ISIFT特征点描述子的生成93

4.11 ISIFT-MCL定位算法及分析94

4.11.1 ISIFT-MCL定位算法94

4.11.2 实验结果与分析96

参考文献101

第5章 融合异质传感信息的机器人定位方法114

5.1 引言114

5.2 多传感器信息融合115

5.2.1 多传感器信息融合的定义115

5.2.2 多传感器信息融合与移动机器人的关系116

5.3 多传感器信息融合的处理模型117

5.4 多传感器信息融合的结构问题118

5.4.1 融合的层次性118

5.4.2 融合的控制形式122

5.5 多传感器融合算法124

5.5.1 加权法124

5.5.2 基于参数估计的信息融合125

5.5.3 D-S证据理论125

5.5.4 神经网络126

5.5.5 卡尔曼滤波126

5.5.6 其他方法127

5.6 基于曲率特征分割的激光地图创建方法128

5.6.1 激光扫描数据的地图创建原理128

5.6.2 激光扫描数据的预处理129

5.6.3 自适应离散曲率计算与特征分割131

5.6.4 环境特征提取与局部地图创建133

5.6.5 全局地图创建136

5.6.6 地图创建实验与分析139

5.7 图像检索的分类141

5.7.1 基于文本的图像检索141

5.7.2 基于内容的图像检索143

5.7.3 基于语义的图像分类146

5.8 图像检索算法的评价准则147

5.8.1 命中准确率147

5.8.2 查准率和查全率147

5.8.3 ANMRR148

5.8.4 排序值评测法149

5.9 机器人定位环境特征图像检索方法149

5.9.1 图像颜色特征150

5.9.2 图像的随机过程描述155

5.9.3 高斯混合矢量量化156

5.9.4 GMVQ图像颜色特征的提取158

5.9.5 图像特征相似性度量159

5.9.6 图像检索实验与分析161

5.10 融合异质传感信息的HSIF_PF定位方法163

5.10.1 HSIF_PF运动预测163

5.10.2 HSIF_PF激光测距感知更新163

5.10.3 HSIF_PF视觉感知更新164

5.10.4 HSIF_PF信息融合164

5.10.5 自适应重采样166

5.10.6 LSAC_PF定位实验与分析166

5.10.7 GMVQ_PF定位实验与分析168

5.10.8 HSIF_PF定位实验与分析169

参考文献172

第6章 区间分析粒子滤波机器人定位方法184

6.1 引言184

6.2 区间分析的起源和发展185

6.2.1 区间分析的起源185

6.2.2 区间分析的发展186

6.3 区间分析在控制理论领域的应用188

6.3.1 参数与状态估计188

6.3.2 鲁棒控制190

6.4 区间分析理论基础192

6.4.1 区间及其基本量192

6.4.2 区间向量和区间矩阵193

6.4.3 区间运算194

6.4.4 包含方程与包含测试197

6.5 IUPF全局定位算法199

6.5.1 区间分析运算200

6.5.2 约束满足问题200

6.5.3 IUPF定位算法201

6.6 IUPF全局定位算法的实现202

6.6.1 IUPF状态预测202

6.6.2 IUPF感知更新203

6.6.3 IUPF位姿估计203

6.6.4 IUPF-SLAM算法流程204

6.6.5 实验与结果分析205

参考文献207

第7章 粒子群优化的无迹粒子滤波FastSLAM算法212

7.1 引言212

7.2 优化算法的基本概念213

7.2.1 优化问题213

7.2.2 优化算法及其分类214

7.2.3 局部优化算法215

7.2.4 全局优化算法215

7.3 智能优化算法216

7.3.1 进化计算216

7.3.2 群智能算法219

7.3.3 其他智能优化算法221

7.4 粒子群优化算法223

7.4.1 粒子群算法的基本形式223

7.4.2 粒子群算法的基本流程224

7.4.3 标准粒子群算法225

7.4.4 粒子群算法的控制参数225

7.4.5 粒子群算法与进化算法比较227

7.5 粒子群算法的主要模型230

7.5.1 基本粒子群优化算法模型230

7.5.2 带惯性权重的粒子群优化模型231

7.5.3 邻域版粒子群优化模型232

7.5.4 全面学习粒子群优化模型232

7.5.5 离散粒子群优化模型233

7.6 FastSLAM算法233

7.6.1 移动机器人SLAM问题233

7.6.2 FastSLAM算法原理235

7.6.3 FastSLAM算法分析237

7.7 PSOU-SLAM算法239

7.7.1 PSOU-SLAM状态估计239

7.7.2 PSOU-SLAM路标估计241

7.7.3 PSOU-SLAM算法流程246

7.7.4 实验与结果分析248

参考文献252