機器人地圖創(chuàng)建與環(huán)境探索

第1章 緒論
第2章 基本技術
2.1 粒子濾波器概述
2.1.1 基于粒子濾波器的移動機器人定位
2.2 柵格地圖
2.2.1 占用概率地圖構建方法
2.2.2 激光測距傳感器模型
2.2.3 聲納傳感器模型
2.2.4 反射概率地圖構建方法
第一部分 機器人位姿已知的探索
第3章 基于決策論的覆蓋率地圖探索
3.1 概述
3.2 覆蓋率地圖的定義
3.3 基于傳感器輸入的覆蓋率地圖更新
3.4 基于決策論的覆蓋率地圖探索
3.4.1 選擇最近的目標位置
3.4.2 基于信息增益的探索
3.4.3 在局部窗口中使用IG
3.4.4 IG和CL的結合（IG-CL）
3.5 基于占用柵格地圖的探索
3.6 實驗結果
3.6.1 帶噪聲傳感器的建圖
3.6.2 觀測點選擇策略的比較
3.6.3 掃描計數(shù)方法的優(yōu)點
3.7 相關工作
3.8 結論
第4章 多機器人協(xié)作探索
4.1 概述
4.2 機器人團隊協(xié)作探索
4.2.1 到達目標位置的代價
4.2.2 邊界單元的效用計算
4.2.3 目標點的選擇
4.2.4 通信范圍有限時的協(xié)作
4.3 移動機器人團隊的協(xié)作建圖
4.4 實驗結果
4.4.1 移動機器人團隊探索
4.4.2 非協(xié)作探索與協(xié)作探索的比較
4.4.3 仿真實驗
4.4.4 有限通信范圍下的探索
4.5 與其他協(xié)作技術的比較
4.5.1 基于匈牙利算法的目標分配
4.5.2 使用優(yōu)先級策略的機器人團隊協(xié)作
4.5.3 通過解決TsP來進行機器人團隊協(xié)作
4.6 相關工作
4.7 小結
第5章 基于語義地標的多機器人探索
5.1 概述
5.2 語義地標
5.3 目標位置的地標估計
5.4 采用語義地標信息的高效多機器人探索
5.5 實驗結果
5.5.1 使用語義地點信息改進性能
5.5.2 語義地點信息中的噪聲影響
5.5.3 在新環(huán)境中應用訓練好的分類器
5.5.4 改進的HMM濾波及分類器的誤差分析
5.6 相關工作
5.7 小結
第二部分 機器人位姿未知的建圖和探索
第6章 高效的Rao-Blackwellized建圖技術
6.1 概述
6.2 Ra0-Blackwellized建圖概念
6.3 改進提議分布和選擇性重采樣
6.3.1 使用激光掃描數(shù)據(jù)計算改進的提議分布
6.3.2 選擇性采樣
6.4 復雜性
6.5 實驗結果
6.5.1 建圖結果
6.5.2 量化結果
6.5.3 改進提議分布和自適應重采樣的有效性
6.5.4 掃描匹配失敗的情況
6.5.5 計算代價
6.6 相關工作
6.7 小結
第7章 主動閉環(huán)探索
7.1 概述
7.2 主動閉環(huán)
7.2.1 閉環(huán)檢測的時機
7.2.2 位姿不確定下的行為表示
7.2.3 閉環(huán)過程的終止
7.2.4 探索時間的縮短
7.2.5 多重嵌套環(huán)的處理
7.3 實驗結果
7.3.1 真實世界探索
7.3.2 主動閉環(huán)vs.基于邊界的探索
7.3.3 定量分析
7.3.4 終止條件的重要性
7.3.5 Neff的演變
7.3.6 多重嵌套環(huán)
7.3.7 計算資源
7.4 相關工作
7.5 小結
第8章 粒子多樣性修復
8.1 概述
8.2 閉環(huán)后粒子多樣性修復
8.3 實驗結果
8.4 相關工作
8.5 小結
第9章 基于信息增益的探索
9.1 概述
9.2 Rao-Blackwellized建圖方法的不確定性
9.3 預期信息增益
9.4 行為集的計算
9.5 實驗結果
9.5.1 真實世界的應用
9.5.2 決策過程
9.5.3 與之前方法的比較
9.5.4 走廊探索
9.6 相關工作
9.7 小結
第10章 非靜態(tài)環(huán)境下的建圖和定位
10.1 概述
10.2 低動態(tài)環(huán)境下的地圖學習
10.2.1 地圖分割
10.2.2 學習環(huán)境的形態(tài)／配置
10.2.3 地圖聚類
10.3 基于地圖塊（patch-map）的蒙特卡羅定位
10.4 實驗結果
10.4.1 在辦公室環(huán)境中的應用
10.4.2 機器人定位和環(huán)境狀態(tài)估計
10.4.3 全局定位
10.5 相關工作
10.6 小結
第11章 結論
附錄
A.1 概率論
A.1.1 乘積法則
A.1.2 獨立性
A.1.3 貝葉斯規(guī)則（Bayes’Rule） 
A.1.4 邊緣化
A.1.5 全概率法則
A.1.6 馬爾可夫假設
符號表
參考文獻