第1章 緒論 1.1 移動機器人同步定位與地圖構建研究 1.2 多移動機器人協同定位研究 1.2.1 多機器人系統研究 1.2.2 多移動機器人協同體系結構 1.2.3 多移動機器人協同定位研究現狀 1.3 多移動機器人目標跟蹤研究 1.4 多移動機器人路徑規劃研究 1.5 本章小結 第2章 基于卡爾曼濾波及其衍生的同步定位與地圖構建算法 2.1 卡爾曼濾波及SLAM問題概述 2.1.1 卡爾曼濾波的概述 2.1.2 SLAM問題的概率描述 2.2 基于擴展卡爾曼濾波的SLAM研究 2.2.1 EKF-SLAM算法 2.2.2 EKF-SLAM算法過程 2.2.3 仿真實驗及分析 2.3 基于無跡卡爾曼濾波的SLAM研究 2.3.1 UKF-SLAM算法 2.3.2 UT變換 2.3.3 UKF-SLAM算法過程 2.3.4 仿真實驗及分析 2.4 基于UKF-SLAM改進算法的研究 2.4.1 SR-UKF-SLAM算法 2.4.2 SPSR-UKF-SLAM算法 2.4.3 仿真實驗及分析 2.5 基于容積卡爾曼濾波及改進算法的研究 2.5.1 CKF算法概述 2.5.2 容積變換 2.5.3 CKF算法步驟 2.5.4 SR-CKF-SLAM算法 2.5.5 ISR-CKF-SLAM算法 2.5.6 仿真實驗及分析 2.6 本章小結 第3章 基于SR-CKF的多移動機器人協同定位及目標跟蹤算法 3.1 基于SR-CKF的多機器人協同定位算法 3.1.1 卡爾曼濾波器 3.1.2 平方根容積卡爾曼濾波算法在移動機器人定位中的應用 3.1.3 基于SR-CKF的相對方位多機器人協同定位算法 3.1.4 仿真實驗及分析 3.2 移動機器人動態目標跟蹤算法 3.2.1 移動機器人同時定位與動態目標跟蹤 3.2.2 基于SR-CKF的移動機器人動態目標跟蹤算法 3.2.3 仿真實驗及分析 3.3 多移動機器人協同定位與目標跟蹤研究 3.3.1 多移動機器人編隊控制 3.3.2 數據融合問題 3.3.3 基于協方差交集的多機器人協同目標跟蹤算法 3.3.4 仿真實驗及分析 3.4 本章小結 第4章 基于自適應SR-CKF的序貫式WSNs目標跟蹤算法 4.1 系統模型及問題 4.1.1 目標運動模型 4.1.2 傳感器節點觀測模型 4.2 自適應SR-CKF序貫式WSNs目標跟蹤算法 4.3 仿真實驗及分析 4.3.1 仿真環境及參數 4.3.2 仿真結果及性能分析 4.3.3 跟蹤誤差分析 4.3.4 運行時間及能耗分析 4.4 本章小結 第5章 基于改進CKF的WSNs與移動機器人協作定位算法 5.1 系統模型及問題描述 5.1.1 移動機器人-WSNs定位問題描述 5.1.2 移動機器人-WSNs系統模型 5.2 基于移動機器人輔助的改進CKF的節點定位算法 5.2.1 卡爾曼濾波在節點定位中的應用 5.2.2 基于改進CKF的輔助節點定位算法 5.2.3 基于GM-CKF的輔助節點定位算法 5.2.4 仿真實驗及分析 5.3 WSNs環境下基于改進CKF算法的移動機器人定位算法 5.3.1 WSNs環境下移動機器人定位研究 5.3.2 CKF算法改進思想 5.3.3 WSNs環境下移動機器人定位算法實現流程 5.3.4 仿真實驗及分析 5.4 基于改進CKF算法的WSNs與移動機器人協作定位 5.4.1 協作定位問題描述與建模 5.4.2 改進CKF算法的WSNs與移動機器人協作定位 5.4.3 仿真實驗及分析 5.5 本章小結 第6章 基于粒子濾波(PF)的同步定位與地圖構建算法 6.1 基于快速同步定位與地圖構建的移動機器人算法 6.1.1 FastSLAM算法的提出 6.1.2 FastSLAM算法分析 6.1.3 優化的FastSLAM算法基本原理 6.1.4 仿真實驗及分析 6.2 基于改進Rao-Blackwellized粒子濾波(RBPF)的SLAM算法 6.2.1 環境建模 6.2.2 RBPF-SLAM算法描述 6.2.3 改進RBPF-SLAM算法 6.2.4 仿真實驗及分析 6.3 本章小結 第7章 已知環境下全局路徑規劃算法 7.1 基于優化D*Lite算法的移動機器人路徑規劃算法 7.1.1 算法優化策略 7.1.2 優化的D*Lite搜索過程 7.1.3 優化的D*Lite算法仿真 7.2 基于改進蟻群算法的移動機器人路徑規劃算法 7.2.1 環境模型的建立 7.2.2 傳統蟻群算法 7.2.3 改進的蟻群路徑規劃算法 7.2.4 改進算法流程 7.2.5 仿真實驗及分析 7.3 基于改進人工勢場法的移動機器人路徑規劃算法_ 7.3.1 傳統人工勢場法 7.3.2 修改引力場函數 7.3.3 修改斥力場函數 7.3.4 局部極小值分析 7.3.5 仿真實驗及分析 7.4 本章小結 第8章 未知環境下基于滾動窗口與多層Morphin的局部路徑規劃算法 8.1 問題描述 8.2 滾動窗口規劃基本原理 8.2.1 滾動規劃的方法 8.2.2 滾動窗口的構造 8.3 局部子目標點的選取 8.4 障礙物預測模型及避碰策略 8.4.1 障礙物預測模型 8.4.2 避碰預測及策略 8.4.3 算法流程 8.4.4 仿真實驗及分析 8.5 未知環境下基于多層Morphin的局部路徑規劃算法 8.5.1 移動機器人運動學模型 8.5.2 Morphin算法原理 8.5.3 多層Morphin搜索樹 8.5.4 路徑評估函數 8.6 本章小結 第9章 移動機器人混合路徑算法及編隊控制 9.1 基于改進量子粒子群和Morphin算法的混合路徑規劃算法 9.1.1 基于改進QPSO的全局路徑規劃 9.1.2 基于Morphin算法的局部路徑規劃 9.1.3 仿真實驗及分析 9.2 基于人工勢場的多移動機器人系統編隊控制 9.2.1 多移動機器人編隊控制算法 9.2.2 基于群集理論的多移動機器人系統運動控制模型 9.2.3 多移動機器人編隊控制中的勢場函數 9.2.4 基于人工勢場的多移動機器人編隊形成 9.2.5 仿真實驗及分析 9.3 基于虛擬領航和人工勢場的編隊控制 9.3.1 基于虛擬領航者的機器人運動方程 9.3.2 基于虛擬領航的群集算法實現 9.3.3 算法穩定性分析 9.3.4 仿真實驗及分析 9.4 本章小結 第10章 基于鼠類腦細胞導航機理的移動機器人仿生SLAM算法 10.1 源于自然的機器人導航 10.1.1 鼠類相關導航腦細胞 10.1.2 國內外研究現狀及分析 10.1.3 鼠類腦細胞導航機理下的仿生SLAM 10.2 基于位姿細胞和局部場景細胞的SLAM算法研究(VP-SLAM) 10.2.1 模型概述 10.2.2 實驗場景介紹 10.3 基于實時關鍵幀匹配的閉環檢測模型研究(GVP-SLAM) 10.3.1 模型概述 10.3.2 仿真實驗及分析 10.4 融合速度細胞和邊界細胞的鼠類導航模型研究(BVGSP-SLAM) 10.4.1 模型概述 10.4.2 仿真實驗及分析 10.5 融合DGSOM神經網絡的BVGSP-SLAM模型 10.5.1 模型概述 10.5.2 仿真實驗及分析 10.6 本章小結 參考文獻