声明
致谢
主要符号与缩写表
1 绪论
1.1 课题研究的背景及意义
1.2 国内外研究现状
1.2.1 机器人定位及相关传感器
1.2.2 SLAM 算法的分类及发展现状
1.2.3 视觉-惯导里程计的研究现状
1.2.4 基于线特征的VSLAM研究现状
1.2.5 闭环检测的研究现状
1.3 论文研究的组织结构和创新点
1.3.1 论文研究主要问题和组织结构
1.3.2 章节安排及研究主要内容
1.3.3 主要创新点
2 矩阵李群表示的基于容积卡尔曼滤波的VIO算法
2.1 引言
2.2 问题描述与背景知识
2.2.1 VIO坐标系
2.2.2 相机观测模型
2.2.3 IMU传感器和运动模型
2.2.4 矩阵李群及随机变量定义
2.2.5 SLAM 问题滤波解决方法
2.3 高维矩阵李群表示的容积卡尔曼滤波VIO算法
2.3.1 系统状态变量
2.3.2 状态预测
2.3.3 状态更新
2.3.4 特征点管理
2.4 实验结果及分析
2.4.1 测试数据集及实验参数
2.4.2 实验结果分析
2.5 本章小结
3 融合线特征的不变容积卡尔曼滤波VIO算法
3.1 引言
3.2 线特征提取、匹配与筛选
3.2.1 线特征的提取
3.2.2 线段的描述与匹配
3.2.3 几何约束的匹配线段筛选方法
3.3 空间直线的数学表示及估计
3.3.1 空间直线的数学表示
3.3.2 直线的观测模型
3.3.3 空间直线估计
3.4 基于线特征及不变容积卡尔曼滤波的VIO算法
3.4.1 包含线特征的状态变量描述
3.4.2 提出算法的实现过程
3.4.3 空间线特征管理
3.5 实验结果与分析
3.5.1 线段初始化
3.5.2 点-线特征VIO算法运行结果及分析
3.5.3 多数据集运行结果对比
3.6 本章小结
4 基于位姿约束的光照鲁棒闭环检测算法
4.1 引言
4.2 算法框架及DIRD 闭环检测过程
4.2.1 算法框架介绍
4.2.2 DIRD描述子的构建
4.2.3 相似性计算
4.3 位姿约束的视觉闭环检测
4.3.1 位姿约束的局限性及价值
4.3.2 VIO系统中闭环候选区域的选择
4.4 实验结果与分析
4.4.1 实验数据库及评价标准
4.4.2 KITTI数据集测试结果及分析
4.4.3 Euroc数据集测试结果及分析
4.5 本章总结
5 改进的概率假设密度SLAM算法研究
5.1 引言
5.2 基于概率假设密度的SLAM算法
5.2.1 特征地图的RFS模型
5.2.2 观测的随机有限集模型
5.2.3 RFS框架下SLAM 问题描述
5.2.4 概率假设密度SLAM
5.2.5 容积变换
5.3 SRCKF-PHD-SLAM算法
5.3.1 机器人位姿估计
5.3.2 PHD地图估计
5.3.3 PHD修剪、合并及地图特征提取
5.4 实验结果及分析
5.4.1 仿真环境及参数
5.4.2 仿真结果及性能评价
5.4.3 Car Park数据集结果与分析
5.5 结论
6 总结与展望
6.1 工作总结
6.2 工作展望
参考文献
作者简历及攻读博士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;
