包邮 移动机器人定位与导航

前言 第1章 机器人技术概述 1.1 机器人技术及其发展 1.2 机器人的简单分类 1.2.1 机械手 1.2.2 移动机器人 1.3 机器人学 1.3.1 机器人学的发展历程 1.3.2 机器人三原则 1.3.3 工业机器人学和先进机器人学 1.4 移动机器人的主要技术课题 1.4.1 传感与导航 1.4.2 计算与控制 1.4.3 机械与运动 1.4.4 动力与推进 1.4.5 多机器人协同 第2章 移动机器人定位与导航的坐标系 2.1 移动载体的定位与导航技术 2.1.1 定位与导航技术的发展 2.1.2 导航与控制 2.2 移动机器人常用的坐标系 2.2.1 惯性坐标系 2.2.2 地球坐标系 2.2.3 地理坐标系 2.2.4 地平坐标系 2.2.5 载体坐标系 2.2.6 传感器坐标系 2.3 移动机器人的坐标变换 2.3.1 移动机器人的位姿 2.3.2 旋转矩阵 2.3.3 旋转矩阵的合成 2.3.4 欧拉角 2.3.5 角轴 2.3.6 单位四元数 2.3.7 齐次变换 第3章 移动机器人的导航系统 3.1 里程计定位与导航 3.1.1 里程计与电子罗盘 3.1.2 航位推算的基本原理 3.1.3 航位推算的误差分析 3.2 惯性导航 3.2.1 陀螺仪 3.2.2 加速度计 3.2.3 平台式惯性导航 3.2.4 捷联式惯性导航 3.2.5 MEMS微惯导系统 3.2.6 惯性导航系统的误差分析 3.3 天文导航 3.4 无线电定位与导航 3.4.1 无线电定位与导航概述 3.4.2 卫星定位与导航系统 3.4.3 UWB定位 3.4.4 ZigBee定位 3.4.5 RFID定位 3.4.6 其他几种无线传感器网络定位方法 3.5 激光测距与定位 3.5.1 激光测距系统 3.5.2 激光测距与定位的基本原理 3.5.3 激光雷达数据的基本处理 3.5.4 激光测距与定位的误差分析 3.6 磁导航系统 3.6.1 磁导航系统的组成 3.6.2 磁导航系统的基本原理 3.6.3 磁导航系统的优缺点 第4章 移动机器人的状态估计方法 4.1 系统的状态空间描述 4.2 卡尔曼滤波 4.2.1 卡尔曼滤波基本方程 4.2.2 卡尔曼滤波的工程应用方法 4.2.3 扩展卡尔曼滤波 4.2.4 无迹卡尔曼滤波 4.2.5 容积卡尔曼滤波 4.3 粒子滤波算法 4.3.1 贝叶斯递推 4.3.2 蒙特卡罗采样 4.3.3 序贯重要性采样 4.3.4 粒子退化问题 4.3.5 粒子滤波算法流程 第5章 移动机器人的组合导航 5.1 组合导航的基本概念 5.1.1 组合导航研究的主要内容 5.1.2 移动机器人组合导航系统的构成 5.1.3 组合导航系统的工作模式 5.1.4 组合导航系统导航状态估计方法 5.2 组合导航滤波方案 5.2.1 集中卡尔曼滤波 5.2.2 联邦卡尔曼滤波 5.3 移动机器人组合导航的工程技术 5.3.1 组合导航系统的降阶设计 5.3.2 组合导航系统的信息同步 5.3.3 组合导航系统的容错方案 5.4 室外无人车惯性／卫星组合导航 5.4.1 车载组合导航试验系统 5.4.2 车载组合导航系统试验及数据处理 5.4.3 车载组合导航系统试验结果与分析 第6章 移动机器人的SLAM方法 6.1 SLAM概述 6.2 经典SLAM方法 6.3 移动机器人SLAM的坐标与地图 6.3.1 SLAM的坐标系模型 6.3.2 SLAM的地图描述 6.4 SLAM应用的运动学模型与观测模型 6.4.1 移动机器人的位姿模型 6.4.2 移动机器人的运动学模型 6.4.3 人工信标与环境特征运动学模型 6.4.4 传感器的观测模型 6.5 基于扩展卡尔曼滤波的SLAM实现 6.5.1 增广状态空间 6.5.2 系统运动学模型与观测模型的雅可比矩阵 6.5.3 状态预测与状态更新 6.5.4 数据关联、特征检测与状态增加 6.6 SLAM问题的概率模型 6.7 SLAM算法的一致性 6.7.1 EKF-SLAM算法的一致性 6.7.2 FastSLAM算法及其一致性 6.8 SLAM方法的一些技术问题 第7章 移动机器人的VSLAM方法 7.1 VSLAM概述 7.2 视觉里程计 7.2.1 立体相机模型 7.2.2 相机位姿表示 7.2.3 VSLAM的数学表述 7.2.4 特征点法与直接法 7.3 非线性优化 7.3.1 状态的滤波估计与*小二乘估计 7.3.2 高斯一牛顿法及列文伯格一马夸尔特法 7.3.3 g20基本方法 7.3.4 光束平差法 7.4 闭环检测 7.4.1 闭环检测的概率模型 7.4.2 基于BOVW的闭环检测 7.4.3 VSLAM闭环检测的主要工作 7.5 VSLAM建图 7.6 VSLAM的发展与趋势 参考文献