第1章 概述 1
1.1 引言 1
1.2 移动机器人的研究概况 2
1.2.1 移动机器人的发展历史 2
1.2.2 国际移动机器人的发展 3
1.2.3 国内移动机器人的发展 4
1.3 移动机器人导航和定位 5
1.3.1 移动机器人导航 5
1.3.2 移动机器人定位 6
1.3.3 环境模型的表示 7
1.4 移动机器人自定位的现状分析 8
1.4.1 定位系统组成及定位误差分析 8
1.4.2 移动机器人自定位的研究现状分析 10
1.5 移动机器人自定位的研究难点 14
1.5.1 复杂地形下的航迹推测 14
1.5.2 动态环境建图与定位 14
1.5.3 多传感器信息融合 14
1.5.4 其他因素 14
1.6 本书的内容安排 15
参考文献 15
第2章 移动机器人定位传感器误差分析 21
2.1 引言 21
2.2 本体感受传感器 22
2.2.1 电位器 22
2.2.2 里程计 23
2.2.3 光纤陀螺仪 26
2.2.4 倾角传感器 36
2.3 环境感知传感器 38
2.3.1 激光雷达 38
2.3.2 视觉传感器 43
2.3.3 超声波传感器 56
参考文献 63
第3章 复杂地形下基于本体感受的移动机器人航迹推测 66
3.1 引言 66
3.2 移动机器人系统及其体系结构 67
3.2.1 移动机构与传感器系统 67
3.2.2 硬件系统 70
3.2.3 总体性能指标 72
3.3 移动机器人的航迹推测基础 72
3.3.1 轮式移动机器人的运动学模型 72
3.3.2 复杂地形下航迹推测的基础 74
3.4 移动机器人航迹推测的输出变换 76
3.4.1 航迹推测的输出变换 76
3.4.2 航迹推测方程 77
3.5 基于摇架机构的速度矢量角分析 78
3.5.1 摇架约束下的速度矢量角分析 78
3.5.2 矢量角计算的奇异状态 81
3.5.3 基于运动学分析的航迹推测算法实现 82
3.6 移动机器人的运动仿真与实验分析 83
3.6.1 移动机器人阶跃地形下的运动学仿真 83
3.6.2 平缓变化地形下的运动学仿真 86
3.6.3 移动机器人航迹推测的实验 87
参考文献 90
第4章 动态环境中基于激光雷达感知的地图匹配自定位 92
4.1 引言 92
4.2 激光雷达环境感知的原理 93
4.3 基于激光雷达的环境感知 94
4.3.1 系统结构组成 94
4.3.2 环境建图原理 96
4.3.3 高度图的建立 97
4.3.4 实验分析 99
4.4 动态环境中动、静态障碍的检测与分析 100
4.4.1 基于空间聚类的障碍分类 101
4.4.2 聚类障碍属性参数及关联性分析 102
4.4.3 基于聚类障碍时空关联的动、静态属性检测 103
4.4.4 实验分析 104
4.5 基于改进建议分布的粒子滤波的动态障碍跟踪定位 107
4.5.1 粒子滤波PF及其建议分布选择 107
4.5.2 基于改进建议分布的粒子滤波的动态障碍跟踪定位 109
4.5.3 实验分析 110
4.6 基于模糊似然估计的局部静态地图匹配定位 112
4.6.1 基于最大似然估计MLE的局部地图匹配 112
4.6.2 模糊逻辑在地图匹配中的应用 113
4.6.3 实验分析 113
参考文献 114
第5章 动态环境中基于视觉感知的运动目标跟踪定位 117
5.1 引言 117
5.2 视觉环境感知的原理 118
5.2.1 基于运动分析方法 118
5.2.2 立体视觉障碍物检测方法 120
5.3 基于自适应图像分割的障碍物检测 122
5.3.1 彩色图像分割的基本理论 122
5.3.2 自适应图像分割算法 126
5.3.3 实验分析 127
5.4 基于立体视觉的环境感知 129
5.4.1 空间点的重建 129
5.4.2 基于投影直线方程的立体视觉的计算 131
5.4.3 结合自适应分割的立体视觉环境感知 132
5.4.4 实验分析 134
5.5 基于移动机器人视觉系统的运动目标跟踪定位 136
5.5.1 运动目标参数估计 136
5.5.2 三帧差背景剪除 139
5.5.3 运动补偿 139
5.5.4 扩展Kalman滤波 141
5.5.5 运动目标提取 142
5.5.6 差分模板更新 144
5.5.7 基于视觉系统的运动目标跟踪定位 145
5.5.8 实验分析 147
参考文献 150
第6章 未知数据关联下基于PF的增量式环境建图与自定位 153
6.1 引言 153
6.2 增量式环境建模与自定位的概率定义 154
6.2.1 增量式环境建模与自定位的概率描述 154
6.2.2 基于粒子滤波PF的SLAM 155
6.3 改进的RBPF滤波算法实现增量式环境建模与自定位 159
6.3.1 基于模糊聚类算法的特征提取 159
6.3.2 增量式数据关联及特征匹配 163
6.3.3 改进的RBPF滤波算法实现增量式环境建模与自定位 166
6.4 基于激光雷达鲁棒测量模型的并发建图与定位 173
6.4.1 现状分析 173
6.4.2 激光雷达异常检测与滤除 174
6.4.3 激光雷达鲁棒测量模型 177
6.4.4 基于激光雷达鲁棒测量模型的并发定位与建图 181
参考文献 187
第7章 未知环境中基于HMM的增量式视觉拓扑建模与自定位 192
7.1 引言 192
7.2 增量式环境建模与自定位的常用概率方法 193
7.2.1 常用的概率方法 193
7.2.2 用于建模与定位的机器视觉技术 195
7.3 未知环境的自然路标检测、表示与识别 199
7.3.1 现状分析 199
7.3.2 视觉显著性（Saliency） 202
7.3.3 基于视觉显著性的自然路标检测机制 203
7.3.4 存储与识别 213
7.3.5 实验分析 217
7.4 基于HMM的增量式视觉拓扑建模与自定位 225
7.4.1 现状分析 225
7.4.2 基于HMM的拓扑定位简介 227
7.4.3 增量式拓扑建模 229
7.4.4 自定位 235
7.4.5 实验分析 239
参考文献 244
第8章 研究展望 248
8.1 未来研究趋势 249
8.1.1 未知环境中单机器人自定位技术 249
8.1.2 未知环境中多移动机器人协作自定位技术 249
8.2 结束语 252
参考文献 252