一、试论网络信息导航系统的构建（论文文献综述）
方翠云[1]（2021）在《基于光学成像的自主移动机器人端到端路径规划方法研究》文中认为
李祖泰[2]（2021）在《物联网环境下的移动智能体安全导航技术研究》文中指出无线传感器网络（Wireless sensor network,WSN）是由部署在监测区域中的节点自组织形成的网络系统,是物联网的重要支撑技术。应急安全导航是无线传感器网络的新兴应用,可在发生紧急事故时导引现场的移动机器人等智能体安全到达目标点,在大型智能无人仓储系统中具有广阔的应用前景。针对传统应急导航算法存在动态适应性差、导航效率不高等不足的问题,本文致力于研究一种基于无线传感器网络的移动智能体动态应急导航方法。主要研究内容如下:（1）针对传统应急导航算法存在的不足,本文提出了一种基于无线传感器网络的移动智能体动态全局导航算法。首先,算法引入了一种基于时间序列的危险预测模型,在危险环境中预测节点周围环境的动态变化趋势;然后,综合利用节点的危险预测值和其到出口的距离建立节点势场,基于势场利用梯度下降法实现移动智能体的应急安全导航。最后,通过仿真实验证明了本文提出的算法相比于传统的应急安全导航算法具有更高的导航效率和安全性。（2）考虑到基于单跳预测的应急导航算法仅利用了节点单跳通信范围内的环境信息,存在一定的局限性,本文进一步提出了基于无线传感器网络多跳预测的移动智能体动态全局导航算法。该算法在导航决策的过程中,综合考虑了节点多跳通信范围内周围环境信息的变化趋势。为了验证算法的可行性和性能,本文通过仿真实验比较了基于1-hop预测、基于2-hop预测和基于3-hop预测的应急导航算法的性能差异。（3）针对无线传感器网络路标节点位置信息未知和局部导航中未考虑避障的问题,本文还研究了基于无线传感器网络的局部导航算法,包括路标节点定位算法和避障算法。首先,提出了一种基于接收信号强度值（Received Signal Strength Indicator,RSSI）测距的路标节点迭代三边测量定位算法,获取路标节点的位置信息;然后引入动态窗口法实现移动智能体远离障碍物和危险区域的局部导航。（4）搭建无线传感器网络环境下基于ROS系统的移动智能体安全导航硬件实验平台,对本文提出的理论方法进行了真实实验验证。实验证明,本文提出的导航算法具有较高的准确性和适应性。
何佑星[3]（2021）在《多传感器融合的家庭服务机器人导航系统的设计与实现》文中研究说明机器人应用场景正在不断拓展,从最初的用于工业生产提高生产效率,到当下开始转向服务行业帮助人们创造美好生活。因为家庭服务的需要,家庭服务机器人独特优势越来越明显,但是至今还没有开始应用,是因为存在一定的实际问题。其中就包括家庭服务机器人面临未知复杂的家庭空间环境而无法实现自主导航问题,因此对其导航系统的研究显得十分重要和迫切。本文以项目小企鹅形的家庭服务机器人在家庭环境下导航问题为研究对象,针对未知复杂的家庭空间环境,尤其是在家庭空间环境中存在的障碍物不规则、随机分布且分布在不同空间层次、位置不确定的情况下,设计其自主导航系统并实现自主导航和主动避障功能。本文主要研究内容如下:1.根据家庭服务机器人的功能需求,设计多传感器融合的家庭服务机器人自主导航系统的方案,包括系统硬件部分的设计和在机器人操作系统平台软件开发。另外,设计接触式自动充电方式,以便家庭服务机器人在电量不足的时能够自动充电。2.采用激光雷达的同时定位与建图技术构建家庭环境栅格地图,通过研究粒子滤波算法提高定位精度,从而可以构建精确的地图。在路径规划中运用A*算法和动态窗口算法,能够实现在构建好的地图中搜索出从初始位置到目标位置最优可行的路径,在向目标位置行走过程中,遇到障碍物重新规划到达目标位置的局部路径。3.主要针对上述家庭空间环境中分布的障碍物,在向目标位置行走的过程中采用激光雷达、超声波传感器和深度摄像头等多传感器信息融合实时感知检测,为实现自主避障及局部路径规划奠定基础,也是本文的工作重点。4.结合研制的导航系统,按照系统运行流程进行编程实现导航系统功能。针对项目功能需求,对家庭服务机器人导航系统进行一系列的实验测试。经过不断调试与完善,最后通过实际的实验结果表明,家庭服务机器人在复杂未知的家庭空间环境可以实现无碰撞安全行走功能以及自动充电功能。
张英俊[4]（2021）在《智能车间AGV精确路径导航系统关键技术研究》文中指出随着2015年3月我国国务院审议通过的《中国制造2025》计划,我国规划的10年工业计划正式启动。使用并制造自动化和智能化设备是制造业的数字化、网络化、智能化的创新驱动道路中的必经之路。在工程实际中,自动导航小车（Automated Guided Vehicle,AGV）常常被使用在加工车间中的物料运输上,使用AGV代替人工运送来提高工作效率,但是有时会出现运送有偏差的情况。如果忽略掉这些误差会出现物料运送失败甚至发生碰撞。因此本文建立一种路径规划导航系统,通过构建栅格地图、路径规划和路径偏差校正使AGV能精准无偏差的将运送物料至目标点。本文主要工作如下:（1）根据AGV运送系统需求建立智能车间AGV精确导航系统。搭建了基于ROS系统的模拟车间物料搬运实验平台,使用激光SALM技术构建车间的二维栅格地图并验证构建地图的精确性,为系统的构建与后续功能的实现做好基础工作。（2）结合智能车间AGV物料搬运路径的约束进行分析,提出构建了一种改进蚁群算法。利用提出的算法在车间二维栅格地图中进行了路径规划。本文分析了改进蚁群算法规划路径的最优路径长度、运行时间与转弯次数并与蚁群算法和A*算法进行对比,证明了本文使用的改进蚁群算法的有效性。（3）针对激光引导AGV行径存在误差从而导致偏离既定目标问题,本文提出一种基于RBF神经网络优化算法解决该问题。AGV偏离既定规划路径后,通过使用RBF神经网络算法校正AGV的运行轨迹回到既定规划路径。以激光雷达为核心,构建了由陀螺仪、里程计和激光雷达组成的传感器系统作为数据输入来使用RBF神经网络进行AGV位姿的预测,而后使用构建的校正模型进行相应的路径偏差校正,可以在预定精度要求下达到既定目标,而后构建验证实验来证明该算法模型的路径偏差校正有效性。（4）针对使用RBF神经网络校正算法的AGV不能实时连续校正的问题。通过建立数据库并进行校正训练逐步记忆各个时刻的校正位姿信息存入数据库中。首先通过数据库信息和RBF神经网络同步离线校正来进行更新AGV的校正信息来更新数据库信息。再仅依靠数据库信息得到一条只依靠数据库信息来进行路径校正的物料搬运路线。
孙欣成[5]（2021）在《室内场景下的移动机器人视觉建图与路径规划》文中提出随着机器人技术和智能控制技术的迅速发展,移动机器人的地图构建与路径规划在工业生产、智能家居等领域得到了广泛应用,逐渐成为了人们生产生活中的重要组成部分。在移动机器人地图构建领域,视觉传感器具有成本低、场景辨识能力高等优势,成为了获取环境信息的主要途径。同时随着移动机器人需求的逐渐扩大,人们对移动机器人的智能水平有了更高的要求,因此需要对其进行深入研究。本文以室内场景下移动机器人的视觉导航为应用背景,基于视觉和机器人操作系统对移动机器人的地图构建与路径规划进行了相关研究,主要工作如下:全向移动机器人视觉导航系统搭建。以小型全向移动机器人搭建硬件平台,以Linux操作系统和机器人操作系统搭建软件平台;建立移动机器人与深度相机坐标系,并对相机进行内外参和深度对齐标定;同时对麦克纳姆轮运动学模型进行求解,实现对移动机器人的全向控制。基于视觉地图构建和目标检测算法,设计了一种移动机器人地图构建与定位方法。首先利用视觉地图构建算法建立环境稀疏点云地图,并通过点云处理方法将其转化为半稠密点云地图和八叉树地图,然后投影至平面生成栅格地图用于移动机器人导航。同时使用目标检测算法对环境路标进行识别并将其信息映射至地图中。移动机器人通过地图导航时,利用路标当前位置与历史位置的差值对移动机器人位置进行矫正,提高其定位稳定性。基于全局路径规划算法和图形学算法,设计了一种移动机器人弯道路径平滑处理方法。首先利用全局路径规划算法规划初始全局路径,然后判断路径的大幅度转弯处并在初始路径的基础上应用Bresenham画圆算法进行路径优化,提高移动机器人在弯道处的的通过速度与平稳性。基于搭建的全向移动机器人视觉导航系统进行实验验证。在数据集和具体实验环境中,对设计的移动机器人地图构建与定位方法、路径优化算法分别进行了实验验证,实验结果证明了所设计方法的有效性和可行性。
罗竟妍[6]（2021）在《建筑物实景全息地图模型构建方法研究》文中认为室内位置服务（Indoor-Location Based Services,LBS）是智慧城市等领域中的重要应用领域,也是国家发展战略新兴产业的重大需求和国际科技经济竞争的制高点。近年来室外位置服务技术发展迅速并日益成熟,但被称为位置服务中“最后一公里”的室内位置服务依然处于发展的初期阶段,面临着许多的问题与挑战。建筑物地图作为室内位置服务的基础与信息载体,对于室内位置服务的发展起着至关重要的作用;此外,面向智慧城市的三维场景也需要依托建筑物地图实现宏观大场景与局部精细模型间的高逼真无缝衔接。建筑物地图作为室内位置服务与智慧城市发展中的核心影响要素,具有重要的理论研究意义与实际应用价值。建筑物地图是当前建筑和GIS领域的研究热点,国内外诸多学者对相关内容进行了广泛研究。现有的数据模型和数据规范在应用于建筑物地图时仍具有明显的局限性,无法满足在复杂建筑环境下面向多元应用的普适性需要,其中尤以如下三个问题最为核心,（1）复杂场景下建筑物地图模型构建及数据组织表达问题;（2）建筑物地图模型与室内定位导航协同问题;（3）建筑物地图模型中海量数据信息的管理调度问题。本文以建筑物为核心要素,针对复杂场景下建筑物地图的构建问题,选择精细化建筑信息模型（BIM,Building Information Model）为主要数据源,依托BIM与GIS集成思想,构建高可交互集成性的建筑物实景全息地图混合模型以适应复杂建筑环境下多元应用的需要,并基于建筑物实景全息地图混合模型设计研发建筑物地图引擎用于建筑物地图模型中海量数据的调度加载。本文的主要研究内容如下:（1）建筑物实景全息地图模型的数据预处理方法研究。本研究选择BIM模型为“原材料”并对其进行轻量化处理,去除其中的冗余信息,而后分别对建筑物实景全息地图模型所需的几何、语义、拓扑、语音、视频、纹理数据进行采集、解析并存储为相应的数据格式,以满足后续建筑物实景全息地图模型构建研究的需要。（2）建筑物实景全息地图模型的构建方法研究。在对已有数据进行数据清洗和有效信息提取后,开展模型构建方法研究,分别完成实体模型与网络模型的构建,然后利用模型链接完成实体模型与网络模型之间的交互结合,并基于要素尺度的划分对模型中的信息进行集成,实现建筑物实景全息地图混合模型的最终构建。（3）建筑物地图引擎的研发与建筑物实景全息地图模型的实证研究。基于所提出的建筑物实景全息地图模型,设计并研发了的建筑物地图引擎,并对其数据存储结构以及调度加载机制进行了详细的讨论研究。在此基础上,结合Android开发技术与Web GL渲染技术,分别开发了手机室内定位导航系统与建筑物三维可视化与分析系统,证明建筑物实景全息地图模型在工程化应用中的可行性与使用价值。本文提出了一种建筑物实景全息地图混合模型以及一套相应的构建方法与技术流程,并通过应用实证表明了所提出的建筑物实景全息地图混合模型及其构建方法具有较好的可行性,可以满足实际生产应用中的需要,并着力探索建筑物实景全息地图的工程化应用之路。
郭祥雨[7]（2021）在《无人飞机水稻和油菜制种田作业视觉辅助导航方法研究》文中研究表明杂交水稻和杂交油菜的推广和应用是保障国家粮油安全的重要举措。授粉和植保是杂交水稻和杂交油菜制种生产的重要组成部分,在制种生产过程中植保无人飞机作业轨迹与目标作物行不一致,致使父母本植株损伤和制种效果不理想。针对上述问题,本文以杂交水稻和油菜制种为例,提出一种视觉辅助导航方法修正GPS航线,构建基于卷积神经网络的水稻与油菜目标作物行识别模型提取作物行中心线,提出基于绝对位置与相对位置信息的方法对目标作物行中心线植入GPS位置信息获得导航线;提出基于中点法引导植保无人飞机沿导航线飞行,实现目标作物行跟踪。本课题旨在构建一套飞行纠偏控制装置的辅助作业系统,将植保无人飞机的飞行引导与农田实际情况关联,从而实现植保无人飞机的田间作业航线纠偏,以增加、增优水稻和油菜的育种。本文主要研究如下:1)研究水稻与油菜目标作物行中心线提取方法。根据水稻与油菜父母本行种植特点和制种的农艺要求,采集不同田间情况下的低空杂交水稻与油菜图像,构建基于卷积神经网络算法的水稻与油菜目标作物行识别模型,通过识别模型获得图像的序列图像,经过形态学方法实现去噪和父母本作物行分割,采用水平分割特征区域提取特征点,采用最小二乘法与Hough变换拟合父本作物行中心线。通过试验对不同环境下的图片验证方法的准确性与稳定性,结果表明:最小二乘法在准确率和实时性方面优于Hough变换,且本文所提方法平均准确率为95%,平均每幅图片耗时1204.48ms,基本满足田间导航需求,多种情况下的水稻与油菜图像该方法均能准确提取父本行中心线,具有较强的鲁棒性强。2)研究农田低空作物行中心线位置坐标信息植入方法。提出基于绝对位置与相对位置信息的方法对中心线植入GPS坐标,首先对相机进行标定,消除相机畸变造成的影响,然后对图像进行透视变换和标定试验,建立像素与物理尺寸之间的关系;最后建立以相机拍摄点为原点的相对坐标系和绝对坐标系,解算每一个像素点的大地坐标,对目标作物行中心线植入GPS坐标即可获得导航线。横坐标和纵坐标最大误差均为0.17m,最小误差为0.07m,平均误差均为0.11m;距离误差最大为0.17m,最小误差为0.07m,平均误差均为0.12m,能够满足无人机定位要求。3)研究植保无人飞机随行作业轨迹引导方法。分析植保无人飞机飞行原理与姿态解算原理,提出基于中点法的航线跟踪方法,该方法根据植保无人飞机的当前位置、速度方向、导航基准线计算引导点,控制植保无人飞机快速、平稳匀速进入导航线,仿真植保无人飞机在5m/s飞行速度时,不同航向角（飞行方向与导航线之间的夹角）-30°、0°、10°、20°、30°工况下的单步航线飞行的情况,引导点位置均靠近导航线。4)实验验证。搭建一套实验平台对本文所提方法进行性能验证,本方法所提取的目标作物行中心线与人工拟合的目标作物行中心线之间的距离偏差平均值为4.23cm,该误差的来源主要是因为人的测量误差和图片上标记物像素点拾取误差;并对植保无人飞机5m/s速度下不同的航向角-30°、0°、10°、20°、30°进行测试,综上所述,当机具偏离导航线水平距离为1.6m条件下,作业速度为5m/s时,调整平均时间为0.73s,纵向调整距离不超过7m即可引导无人机进入导航线,实现植保无人飞机纠偏控制,基本满足植保无人机田间作业要求。
王启来[8]（2021）在《基于双目视觉SLAM的AGV导航系统研究》文中指出自动引导运输车（Automated Guided Vehicles,AGV）作为移动机器人的一个分支,广泛地被应用于医疗、服务、工业、智能化立体仓库及近些年获得高速发展的智能物流等行业。AGV的引入,减少了劳动力需求,节约了劳动成本,同时提高了生产效率,在市场中有着庞大的需求潜力和发展前景。移动机器人如何通过传感器感知环境信息,进行自主定位是自主移动机器人能够完成导航、制导与控制任务的关键,而同时定位和地图构建（Simultaneous localization and mapping,SLAM）技术,作为一种颇具前景的移动机器人智能感知技术,逐渐成为当今移动机器人研究领域的热点。近些年来,视觉传感器凭借着硬件成本低、环境信息丰富等优点,吸引越来越多研究学者参与到视觉导航技术的研究中来,视觉SLAM在众多的导航方式中脱颖而出,成为当前的研究热点。本文针对人工特征提取算法在光照变化、尺度变化、图像旋转、噪声等条件下,特征匹配精度较低,匹配正确率下降,关键点重叠等问题,研究（Geometric Correspondence Network,GCN）深度学习网络的基础上,采用一种轻量的适用于低功耗嵌入式系统的GCN-L深度学习网络用于特征点提取,生成与ORB特征相同格式的关键点和描述子。在经典的视觉SLAM框架内进行改进,搭建一套GCN-SLAM系统及视觉导航AGV实验平台,并对所提算法进行验证。本文的主要研究工作内容如下:（1）研究了双目相机成像原理。使用ROS系统下Camera Calibrator工具箱中的张正友标定法对双目相机的标定,获取相机的内参并对相机获取的图像进行矫正。建立了视觉导航AGV的运动模型和观测模型。（2）研究了前端视觉里程计中的算法。采用一种适用于嵌入式低功耗开发板的改进GCN网络的轻量化深度学习网络结构—GCN-L特征提取算法,并与传统人工特征点提取算法ORB、SIFT、SURF进行比较,实验结果表明GCN-L特征提取算法的空间分布均匀性和快速性更适合视觉SLAM系统;同时,还采用FLANN特征匹配算法,结合（Random Sample Consensus,RANSAC）剔除算法进行特征点匹配,实验结果表明该特征匹配方法明显剔除了大量误匹配点,具有更好的匹配效果;最后,采用迭代最近点（Iterrative Closest Point,ICP）算法对双目相机采集的图像进行运动估计求解,并使用g2o优化库对估计的运动轨迹进行了优化。（3）研究了后端优化中基于图优化的非线性优化方法。结合位姿优化使用BA（Bundle Adjustment）进行优化。分析了回环检测算法,并采用一种DBo W词袋模型的方法判断两幅图像的相似性,进行回环检测判断,有效地提高了回环检测的准确率。（4）将GCN-L特征提取算法结合到传统的ORB-SALM中搭建视觉SLAM系统。使用Euroc数据集进行仿真实验,并通过自主搭建的视觉导航AGV实验平台使用GCN-SLAM进行实际场景地图构建实验,验证了本文所提算法的特征提取均匀性,快速旋转图像跟踪性,说明了算法的可行性。
黄康[9]（2021）在《基于深度学习的单目视觉SLAM关键技术研究》文中认为随着现代科技水平的不断发展,机械设备的智能化程度不断提高。近年来,无人飞机、无人汽车等自主化设备开始被广泛应用在日常生活中。作为无人设备在自主定位与路径规划中的关键技术,视觉同时定位与构图技术（Visual Simultaneous Localization and Mapping,V-SLAM）被广泛应用到设备的智能导航实践。在各种现有方案中,基于单目相机的V-SLAM系统因结构简单、初始化方便和制造成本低廉等特点而大受欢迎。然而,单目V-SLAM系统在进行定位与地图构建时存在定位累积误差、地图尺度漂移等严重问题;而基于深度学习原理构建卷积神经网络（Covolutional Neural Network,CNN）,并用其替换V-SLAM系统的某个功能模块或辅助改进该某模块的工作性能后,可显着提升系统的工作效率与导航精度。为提高单目相机的环境感知能力,本文提出了基于深度学习的单目深度估计CNN算法;为使其适用于不同工作情形,进行了网络框架的普适性调整:针对计算力较高的智能设备,搭建了基于Dense-Net网络框架的“编码-解码式”CNN;同步训练单目图像的深度值预测任务（Depth Estimation）和表面法线贴图（surface normal）预测任务,并利用表面法线引导深度估计任务的精度优化。针对无人机等小型嵌入式设备,通过轻量型网络结构Mobilenet-V2搭建深度CNN模型,在训练深度值预测网络的同时,设置了对语义信息的预测训练并利用其引导深度预测值的优化。根据单目相机的成像原理,将RGB（Red,Green,Blue）三通道编码图像按照场景的深度估计信息还原为稠密点云图像;同时,利用ORB-SLAM2算法获取图像序列的位姿变换与场景的稀疏点云地图;将上述稠密点云同稀疏点云信息有机融合,利用稠密点云修正了稀疏点云存在的单目尺度漂移缺陷;最后,利用稀疏点云修正了稠密点云图像的结构失真缺陷,由此将两者拼接为连续场景的结构鲁棒性稠密地图。三维点云图像存在结构鲁棒性差、存储空间过高和表面形貌粗糙等缺陷,本文将其转换为应用场景更加广泛的八叉树图像、网格图像与TSDF稠密三维地图,通过比较上述地图模型各自的优劣特性确定了相应的使用场景。本文设计的深度估计神经网络可实时获取周围环境的稠密场景深度,单目视觉里程计算法（Visual Odometry,VO）可快速提取输入图像的位姿特征并精确追踪单目相机运动,而将深度估计融入VO后,其生成的场景稀疏地图具有更少的尺度漂移误差。本文设计的稠密式三维场景重建算法将VO算法构建的稀疏地图与CNN预测的稠密场景深度信息相融合,重构出了细节极为丰富的三维导航地图。经上述改进工作,提高了无人设备感知陌生环境并进行实时路径规划的能力。
王曲[10]（2021）在《行人自主定位关键技术研究》文中提出基于惯性传感器的行人自主定位技术无需借助外界基础设施和历史训练数据,仅依靠终端内置传感器即可完成行人位置估计,具有自主性强、更新频率高、全空间覆盖等优点。当前基于移动智能终端内置惯性传感器的行人自主定位面临诸多挑战,如定位导航过程中行人行走模式和终端使用模式复杂多变;不同行人在身高、体重及行走习惯等方面存在明显差异;终端内置传感器型号繁多、精度各异且缺乏必要的校准;传感器噪声及不够精确的模型导致自主定位固有的累积误差快速增长。本文从如何识别复杂多变的导航行为模式、消除航向误差、消除行人步长估计误差以及抑制位置漂移展开深入研究。本文主要研究成果及创新点归纳如下:（1）针对行人导航行为模式复杂多变问题,本文利用地磁信号强度在相同位置变化较小、在不同位置变化较大的特点,将地磁数据应用于行人步伐检测,以提高步伐检测准确度和鲁棒性。本文在步伐检测基础之上提出基于集成分类器的移动智能终端使用模式识别算法和基于多头卷积注意力机制的行人行走模式识别算法。集成分类器采用多个非线性模型的预测来训练第一层模型,生成第二层训练集和测试集,并在第二层模型中采用Logistic分类来输出最终的终端使用模式预测结果。基于多头卷积注意力机制的行人行走模式识别算法通过多头注意力机制有效学习卷积神经网络提取的时序特征,有助于提高行为识别精度。（2）针对航向和步长真值获取困难问题,本文提出一种磁场辅助的地图匹配算法,该算法定义行人轨迹的位移和方向、磁场观测序列的方差和均值为观测序列,定义地图路径中的关键点为隐马尔科夫模型的隐藏状态序列,利用维特比算法求解观测序列,得到用户真实轨迹。最后,对真实轨迹按步伐检测结果进行切分,完成航向和步长标注。实验结果表明,磁性观测为隐马尔科夫模型带来了更稳健、更准确的发射概率,从而能减少室内相似布局造成的误匹配。（3）针对设备异构性及行人异构性问题,本文提出基于在线主动学习的个性化步长估计算法。该算法使用降噪自编码器对传感器观测数据进行去噪,使用循环神经网络挖掘传感器观测时序数据的时间依赖关系,提取有效特征,并建立通用步长估计模型。在此基础之上,本文提出一种基于主动在线学习的无用户感知模型更新框架。基于该框架在行人定位导航过程中,通过机会性地图匹配机制自动获得行人在物理空间的真实行走轨迹,然后使用步长预测值作为权重切分行人行走轨迹,得到行人每一步行走距离,作为新标签更新步长模型,从而得到更为精确的个性化步长估计模型,以缓解行人和设备异构性以及不同行人运动模式差异对步长估计精度的影响。（4）针对惯性导航固有累积误差问题,本文提出具有更高空间分辨率、更鲁棒的混合指纹模型用于室内位置签名。在此基础之上,本文提出基于粒子滤波框架的单步定位跟踪算法和长轨迹匹配定位算法,实现无基础设施的高精度行人自主定位。（5）在行人导航行为模式识别、行人航向估计、个性化步长估计和在线匹配校准的基础之上,构建了复杂导航行为模式下的云端协同行人自主定位系统。实验表明,该系统在办公室、商场和停车场分别获得75%置信度1.8米、2.2米和3.3米的定位精度,为行人自主定位在智能位置服务中的实际应用打下了坚实基础。
二、试论网络信息导航系统的构建（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、试论网络信息导航系统的构建（论文提纲范文）
（2）物联网环境下的移动智能体安全导航技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 移动智能体导航技术研究现状 |
| 1.2.2 基于无线传感器网络的移动智能体安全导航技术研究现状 |
| 1.3 论文研究内容与架构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文架构 |
| 第二章 基于传感器网络的移动智能体动态全局导航算法 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.2.1 网络模型 |
| 2.2.2 问题数学描述 |
| 2.3 基于传感器网络的初始导航地图建立 |
| 2.4 基于预测的势场计算与导航地图更新 |
| 2.4.1 危险势场预测模型 |
| 2.4.2 势场建立与地图更新 |
| 2.5 基于预测的导航算法设计 |
| 2.6 仿真实验与分析 |
| 2.6.1 实验设置 |
| 2.6.2 仿真实验数据集 |
| 2.6.3 实验评价指标 |
| 2.6.4 不同导航请求用户数量下的性能比较 |
| 2.7 本章小结 |
| 第三章 基于多跳预测的移动智能体动态全局导航算法 |
| 3.1 引言 |
| 3.2 多跳预测的必要性和可行性 |
| 3.3 基于多跳预测的导航算法设计 |
| 3.4 应对动态危险变化的措施 |
| 3.5 仿真实验与分析 |
| 3.5.1 实验设置 |
| 3.5.2 不同预测跳数对导航性能的影响 |
| 3.5.3 危险权重值对导航性能的影响 |
| 3.6 本章小结 |
| 第四章 基于传感器网络的移动智能体局部导航算法 |
| 4.1 引言 |
| 4.2 基于无线传感器网络的路标节点定位算法分析 |
| 4.2.1 基于距离的定位方法 |
| 4.2.2 基于信号强度(RSSI)的定位方法 |
| 4.2.3 基于卫星的定位方法 |
| 4.3 局部路径规划避障算法分析 |
| 4.4 基于无线传感器网络的移动智能体局部导航算法设计 |
| 4.4.1 基于RSSI测距的路标节点迭代三边定位算法设计 |
| 4.4.2 无线传感器网络环境下的移动智能体避障算法设计 |
| 4.4.3 无线传感器网络环境下的移动智能体局部导航实现 |
| 4.5 本章小结 |
| 第五章 无线传感器网络环境下基于ROS系统的移动智能体安全导航实验 |
| 5.1 引言 |
| 5.2 实验平台介绍 |
| 5.2.1 ROS系统介绍 |
| 5.2.2 TurtleBot2移动机器人介绍 |
| 5.2.3 无线传感器网络节点介绍 |
| 5.2.4 实验平台搭建 |
| 5.3 无线传感器网络环境下的移动智能体局部导航实验 |
| 5.4 无线传感器网络环境下的移动智能体全局导航实验 |
| 5.5 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术成果 |
（3）多传感器融合的家庭服务机器人导航系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景 |
| 1.1.3 课题研究意义 |
| 1.2 国内外移动机器人研究现状 |
| 1.2.1 国外移动机器人研究现状 |
| 1.2.2 国内移动机器人研究现状 |
| 1.2.3 现有研究存在的问题 |
| 1.3 自主导航关键技术的研究现状概况 |
| 1.3.1 机器人导航方式 |
| 1.3.2 同时定位与地图构建 |
| 1.3.3 路径规划 |
| 1.3.4 多传感器融合 |
| 1.4 本文主要研究内容及结构安排 |
| 第2章 导航系统总体方案设计 |
| 2.1 设计需求分析 |
| 2.1.1 功能需求分析 |
| 2.1.2 性能需求分析 |
| 2.2 系统总体架构设计 |
| 2.3 系统硬件部分 |
| 2.3.1 系统硬件的整体架构与组成 |
| 2.3.2 系统硬件部分搭建 |
| 2.4 系统软件开发平台 |
| 2.4.1 系统软件开发环境 |
| 2.4.2 机器人操作系统ROS |
| 2.5 本章小结 |
| 第3章 导航关键技术的研究 |
| 3.1 SLAM技术概述 |
| 3.1.1 SLAM问题描述 |
| 3.1.2 SLAM技术流程 |
| 3.2 粒子滤波 |
| 3.3 路径规划 |
| 3.3.1 全局路径规划 |
| 3.3.2 局部路径规划 |
| 3.4 本章小结 |
| 第4章 多传感器融合技术的研究 |
| 4.1 多传感器融合基础 |
| 4.2 多传感器融合决策规则 |
| 4.3 多传感器信息融合技术 |
| 4.3.1 多传感器融合分类 |
| 4.3.2 多传感器融合方法 |
| 4.4 贝叶斯估计 |
| 4.5 导航避障流程 |
| 4.5.1 多传感器识别障碍物过程 |
| 4.5.2 导航避障整体流程 |
| 4.6 本章小结 |
| 第5章 导航系统的实现与实验分析 |
| 5.1 导航系统的运行 |
| 5.1.1 导航系统运行原理 |
| 5.1.2 系统运行流程 |
| 5.1.3 系统数据通信 |
| 5.1.4 数据结构转换 |
| 5.2 导航关键技术的实现 |
| 5.2.1 SLAM构建地图实现 |
| 5.2.2 蒙特卡洛定位实现 |
| 5.2.3 路径规划实现 |
| 5.3 系统实验与分析 |
| 5.3.1 系统实验模拟搭建 |
| 5.3.2 实验过程与分析 |
| 5.3.3 导航系统性能测试与分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A |
（4）智能车间AGV精确路径导航系统关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的背景及研究的目的和意义 |
| 1.2 智能车间AGV导航技术发展现状 |
| 1.2.1 智能车间发展现状 |
| 1.2.2 基于激光雷达的AGV导航技术 |
| 1.3 AGV路径规划发展概述 |
| 1.3.1 全局路径规划发展 |
| 1.3.2 人工神经网络和路径偏差校正研究现状 |
| 1.4 本文研究内容 |
| 第二章 系统和实验平台搭建 |
| 2.1 引言 |
| 2.2 AGV校正系统需求分析 |
| 2.3 AGV系统整体构成 |
| 2.4 实验平台介绍 |
| 2.4.1 硬件平台 |
| 2.4.2 软件平台 |
| 2.5 小结 |
| 第三章 自动引导小车路径规划算法研究 |
| 3.1 引言 |
| 3.2 AGV系统环境信息构图 |
| 3.2.1 激光SLAM |
| 3.2.2 栅格地图构建原理 |
| 3.2.3 环境信息获取实验 |
| 3.3 路径规划算法研究 |
| 3.3.1 传统蚁群路径规划算法 |
| 3.3.2 改进蚁群路径规划算法 |
| 3.4 路径规划模型分析对比 |
| 3.4.1 路径规划算法仿真 |
| 3.4.2 路径规划算法对比分析 |
| 3.5 小结 |
| 第四章 基于RBF神经网络的AGV路径校正算法研究 |
| 4.1 引言 |
| 4.2 校正模型说明 |
| 4.3 RBF神经网络模型介绍 |
| 4.3.1 聚类方法的使用 |
| 4.3.2 径向基函数选择与权值的优化 |
| 4.3.3 算法流程 |
| 4.4 校正过程 |
| 4.5 RBF神经网络校正实验 |
| 4.5.1 路径规划训练实验 |
| 4.5.2 路径规划校正实验 |
| 4.6 小结 |
| 第五章 基于数据库的AGV路径实时校正技术研究 |
| 5.1 引言 |
| 5.2 离线校正训练数据库 |
| 5.3 离线校正实验 |
| 5.3.1 校正学习实验设计 |
| 5.3.2 在线实验结果 |
| 5.4 实验结果 |
| 5.4.1 实验结果对比 |
| 5.4.2 实验结果分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 6.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及专利情况 |
（5）室内场景下的移动机器人视觉建图与路径规划（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 视觉SLAM与路径规划的国内外研究现状 |
| 1.2.1 视觉SLAM |
| 1.2.2 路径规划 |
| 1.3 本文研究内容及论文结构 |
| 2 全向移动机器人视觉导航系统构建 |
| 2.1 全向移动机器人硬件平台搭建 |
| 2.1.1 全向移动机器人平台 |
| 2.1.2 麦克纳姆轮运动学模型 |
| 2.1.3 深度相机 |
| 2.2 相机坐标系建立及其标定 |
| 2.2.1 相机坐标系转换 |
| 2.2.2 深度相机内外参标定 |
| 2.2.3 深度对齐标定 |
| 2.3 系统架构与开发平台 |
| 2.3.1 系统架构 |
| 2.3.2 软件开发平台 |
| 2.4 本章小结 |
| 3 基于深度学习的视觉导航地图构建 |
| 3.1 基于YOLO的视觉感知 |
| 3.1.1 YOLOv5 目标检测算法 |
| 3.1.2 YOLOv5s网络训练与测试 |
| 3.2 视觉导航地图构建 |
| 3.2.1 ORB-SLAM3 算法 |
| 3.2.2 半稠密点云地图构建 |
| 3.2.3 八叉树地图构建 |
| 3.3 实验环境路标获取与映射 |
| 3.3.1 二维栅格地图构建 |
| 3.3.2 路标获取与映射 |
| 3.4 本章小结 |
| 4 移动机器人导航与路径优化 |
| 4.1 路径规划算法分析 |
| 4.1.1 全局路径规划 |
| 4.1.2 局部路径规划 |
| 4.2 移动机器人路径优化 |
| 4.2.1 Bresenham画圆算法 |
| 4.2.2 弯道路径优化处理 |
| 4.2.3 移动机器人路径规划系统构建 |
| 4.3 移动机器人导航与辅助定位 |
| 4.3.1 导航与定位框架 |
| 4.3.2 移动机器人辅助定位 |
| 4.4 本章小结 |
| 5 实验验证 |
| 5.1 实验准备 |
| 5.2 移动机器人地图构建实验 |
| 5.2.1 数据集地图构建实验 |
| 5.2.2 实验环境地图构建实验 |
| 5.3 移动机器人路径规划实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 课题资助情况 |
| 致谢 |
（6）建筑物实景全息地图模型构建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 建筑物实景全息地图模型概况 |
| 1.2.1 建筑物实景全息地图模型研究概述 |
| 1.2.2 建筑物实景全息地图模型应用领域 |
| 1.3 国内外研究现状 |
| 1.3.1 建筑物实景全息地图研究 |
| 1.3.2 建筑物地图数据模型标准 |
| 1.3.3 建筑物地图混合模型研究 |
| 1.4 论文研究框架体系 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.4.3章节安排 |
| 第2章 建筑物实景全息地图模型的数据预处理研究 |
| 2.1 建筑信息模型BIM轻量化 |
| 2.2 建筑物实景全息地图模型数据预处理方法 |
| 2.2.1 几何数据预处理 |
| 2.2.2 语义数据预处理 |
| 2.2.3 拓扑关系预处理 |
| 2.2.4 语音数据预处理 |
| 2.2.5 视频数据预处理 |
| 2.2.6 纹理数据预处理 |
| 2.3 建筑物实景全息地图模型数据预处理实验 |
| 2.3.1 实验数据 |
| 2.3.2 实验方法 |
| 2.3.3 实验结果 |
| 2.4 本章小结 |
| 第3章 建筑物实景全息地图模型的构建方法研究 |
| 3.1 建筑物实景全息地图模型 |
| 3.1.1 建筑物实景全息地图模型概述 |
| 3.1.2 建筑物实景全息地图实体模型 |
| 3.1.3 建筑物实景全息地图网络模型 |
| 3.1.4 建筑物实景全息地图混合模型 |
| 3.2 建筑物实景全息地图模型辅助室内定位导航 |
| 3.2.1 室内定位的地图匹配 |
| 3.2.2 步行距离与时间量算 |
| 3.3 建筑物实景全息地图模型构建实验 |
| 3.3.1 实验数据 |
| 3.3.2 实验方法 |
| 3.3.3 实验结果 |
| 3.4 本章小结 |
| 第4章 建筑物实景全息地图模型的应用实证研究 |
| 4.1 建筑物实景全息地图模型实证概述 |
| 4.2 建筑物地图引擎 |
| 4.2.1 建筑物地图引擎整体设计 |
| 4.2.2 建筑物地图引擎数据存储结构 |
| 4.2.3 建筑物地图引擎数据调度机制 |
| 4.3 建筑物实景全息地图模型应用系统 |
| 4.3.1 手机室内定位导航系统 |
| 4.3.2 建筑物三维可视化与分析系统 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（7）无人飞机水稻和油菜制种田作业视觉辅助导航方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源与背景 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 主要研究方法与技术路线 |
| 1.4.1 主要研究方法 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 第二章 水稻与油菜目标作物行中心线提取方法研究 |
| 2.1 低空图像采集与方法 |
| 2.1.1 算法概述 |
| 2.1.2 低空植保无人飞机水稻与油菜父母本图像采集与特征分析 |
| 2.2 基于卷积神经网络算法的水稻与油菜目标作物行检测识别方法 |
| 2.2.1 卷积神经网络结构的基本介绍 |
| 2.2.2 卷积神经网络数据集构建和识别模型构建 |
| 2.2.3 试验和结果分析 |
| 2.3 水稻与油菜目标作物行特征区域与特征点提取方法 |
| 2.3.1 水稻与油菜目标作物行特征区域提取方法 |
| 2.3.2 水稻与油菜目标作物行特征点提取方法 |
| 2.4 水稻与油菜目标作物行中心线拟合方法 |
| 2.4.1 水稻与油菜目标作物行中心线拟合方法 |
| 2.4.2 试验与结果分析 |
| 2.5 本章小结 |
| 第三章 农田低空作物行中心线位置坐标信息植入方法研究 |
| 3.1 农田低空图像畸变矫正方法 |
| 3.1.1 相机坐标系 |
| 3.1.2 相机畸变矫正方法 |
| 3.1.3 图像透视变换方法 |
| 3.2 GPS位置坐标植入方法 |
| 3.2.1 基于绝对位置与相对位置信息的GPS坐标植入方法 |
| 3.2.2 试验验证与结果分析 |
| 3.3 本章小结 |
| 第四章 植保无人飞机随行作业轨迹引导方法研究 |
| 4.1 多旋翼植保无人飞机的原理 |
| 4.1.1 多旋翼植保无人飞机的飞行原理 |
| 4.1.2 多旋翼植保无人飞机的姿态解算原理 |
| 4.2 航线引导方法研究 |
| 4.2.1 基于中点法的航线引导方法 |
| 4.2.2 方法仿真 |
| 4.3 本章小结 |
| 第五章 实验验证与结果分析 |
| 5.1 实验平台搭建 |
| 5.2 水稻与油菜目标作物行中心线提取方法验证实验 |
| 5.3 植保无人飞机随行作业轨迹引导方法验证实验 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（8）基于双目视觉SLAM的AGV导航系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 AGV国内外研究现状 |
| 1.2.1 国外AGV研究现状 |
| 1.2.2 国内AGV研究现状 |
| 1.3 视觉SLAM国内外现状 |
| 1.3.1 SLAM问题简介 |
| 1.3.2 国外研究现状 |
| 1.3.3 国内研究现状 |
| 1.4 论文章节安排 |
| 第二章 双目视觉SLAM简介 |
| 2.1 视觉SLAM简介 |
| 2.2 DUO MLX传感器介绍 |
| 2.3 相机成像原理 |
| 2.3.1 相机成像模型 |
| 2.3.2 相机畸形模型 |
| 2.3.3 双目相机模型 |
| 2.4 双目相机标定 |
| 2.5 视觉导航AGV的 SLAM模型 |
| 2.5.1 视觉导航AGV运动模型 |
| 2.5.2 视觉导航AGV观测模型 |
| 2.6 本章小结 |
| 第三章 基于深度学习的前端视觉里程计 |
| 3.1 基于GCN-L深度学习网络特征提取 |
| 3.1.1 GCN-L网络结构 |
| 3.1.2 特征提取 |
| 3.1.3 分布式关键点检测器 |
| 3.1.4 GCN-L网络训练 |
| 3.2 特征提取比对分析 |
| 3.3 特征匹配 |
| 3.4 运动轨迹估计 |
| 3.5 本章小结 |
| 第四章 后端优化及GCN-SLAM系统 |
| 4.1 基于BA图优化 |
| 4.1.1 图优化原理 |
| 4.1.2 迭代算法 |
| 4.2 回环检测 |
| 4.2.1 回环检测介绍 |
| 4.2.2 词袋模型 |
| 4.3 GCN-SLAM系统 |
| 4.4 本章小结 |
| 第五章 视觉导航AGV系统设计 |
| 5.1 视觉导航AGV硬件平台 |
| 5.1.1 底层移动平台 |
| 5.1.2 主控制系统 |
| 5.1.3 视觉传感器 |
| 5.2 视觉导航AGV软件平台 |
| 5.2.1 ROS机器人操作系统简介 |
| 5.2.2 ROS通信架构简介 |
| 5.3 程序设计 |
| 5.3.1 主控制系统程序 |
| 5.3.2 底层移动平台控制器程序 |
| 5.4 地图构建测试与分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 作者简介 |
（9）基于深度学习的单目视觉SLAM关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 视觉SLAM技术的国内外研究现状 |
| 1.2.1 单目深度估计及其SLAM应用现状 |
| 1.2.2 基于单目视觉的稠密地图构建研究现状 |
| 1.3 论文研究内容和贡献 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 视觉SLAM与深度学习相关理论基础 |
| 2.1 视觉SLAM系统坐标系变换与相机模型 |
| 2.1.1 针孔相机模型 |
| 2.1.2 视觉SLAM系统坐标系表示与变换方法 |
| 2.1.3 相机几何标定 |
| 2.2 单目视觉SLAM系统框架 |
| 2.2.1 视觉里程计 |
| 2.2.2 基于非线性算法的位姿优化 |
| 2.2.3 回环检测 |
| 2.2.4 地图构建 |
| 2.3 深度学习理论基础 |
| 2.3.1 深度学习理论与卷积神经网络 |
| 2.3.2 深度学习训练框架 |
| 2.4 本章小结 |
| 第3章 基于深度学习的单目图像深度估计 |
| 3.1 引言 |
| 3.2 基于深度学习的单目深度估计原理 |
| 3.3 单目图像深度估计训练数据预处理 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据集预处理 |
| 3.3.3 深度估计的评价标准 |
| 3.4 基于编码-解码结构的深度估计网络 |
| 3.4.1 编码-解码网络结构搭建 |
| 3.4.2 网络训练设置 |
| 3.4.3 预训练网络性能测试 |
| 3.5 表面法线贴图优化 |
| 3.5.1 表面法线贴图介绍 |
| 3.5.2 表面法线贴图网络搭建 |
| 3.5.3 基于表面法线优化的深度估计网络搭建 |
| 3.5.4 预训练网络训练与测试 |
| 3.6 基于轻量型网络与语义分割的单目深度估计 |
| 3.6.1 轻量级网络搭建 |
| 3.6.2 轻量网络数据集准备 |
| 3.6.3 训练参数和损失函数设置 |
| 3.6.4 预训练网络性能测试 |
| 3.7 本章小结 |
| 第4章 SLAM导航地图的稠密化重建 |
| 4.1 引言 |
| 4.2 单目相机位姿获取与稀疏地图构建 |
| 4.2.1 单目相机位姿获取 |
| 4.2.2 稀疏点云地图构建 |
| 4.3 单幅图像的三维稠密重建 |
| 4.3.1 深度图像的稠密点云重构 |
| 4.3.2 基于RGB-D图像的彩色稠密点云重构 |
| 4.4 多幅图像的点云鲁棒性稠密拼接 |
| 4.4.1 点云滤波 |
| 4.4.2 稠密点云拼接 |
| 4.4.3 点云特征鲁棒性融合重建 |
| 4.5 导航地图形式转换 |
| 4.5.1 八叉树地图构建 |
| 4.5.2 网格地图构建 |
| 4.5.3 基于TSDF原理的点云稠密重建 |
| 4.6 实验与分析 |
| 4.6.1 离线数据集准备 |
| 4.6.2 单幅图像三维重建实验 |
| 4.6.3 点云拼接与稠密化实验 |
| 4.6.4 点云地图转换实验 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（10）行人自主定位关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 附录 缩略语中英文对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 室内定位技术研究现状 |
| 1.3 本文研究内容与主要贡献 |
| 1.4 本文组织和结构 |
| 第二章 行人自主定位研究综述 |
| 2.1 行人自主定位相关理论 |
| 2.1.1 常用坐标系 |
| 2.1.2 坐标系转换 |
| 2.1.3 姿态矩阵更新 |
| 2.1.4 行人位置更新 |
| 2.2 行人行为模式识别技术 |
| 2.3 行人航向估计技术 |
| 2.4 行人步长估计技术 |
| 2.5 行人航迹校准技术 |
| 2.5.1 基于可见光信号的行人航迹校准技术 |
| 2.5.2 基于磁信号的行人航迹校准技术 |
| 2.6 行人自主定位面临的挑战 |
| 2.7 本章小结 |
| 第三章 基于惯性传感器的行人导航行为模式识别 |
| 3.1 引言 |
| 3.2 步伐检测 |
| 3.2.1 常见步伐检测技术 |
| 3.2.2 磁场辅助的步伐检测 |
| 3.3 基于多头卷积注意力机制的行人行走模式识别 |
| 3.3.1 基于多头卷积网络的特征提取 |
| 3.3.2 基于多头注意力机制的行人行走模式识别 |
| 3.4 基于集成分类器的移动智能终端使用模式识别 |
| 3.4.1 特征提取 |
| 3.4.2 Stacking集成分类器 |
| 3.5 实验结果与分析 |
| 3.5.1 行人导航行为识别性能指标 |
| 3.5.2 行人行走模式识别性能 |
| 3.5.3 终端使用模式识别性能 |
| 3.6 行人导航行为在行人自主定位中的应用 |
| 3.7 本章小结 |
| 第四章 基于STNs和层次化LSTM的行人航向估计 |
| 4.1 引言 |
| 4.2 航向数据标注及增广 |
| 4.2.1 基于HMM的地图匹配 |
| 4.2.2 基于终端姿态的航向数据增广方法 |
| 4.3 基于STNs网络和层次化LSTM的航向估计模型 |
| 4.3.1 基于STNs的自适应对齐模块 |
| 4.3.2 基于层次化LSTM的Seq2Seq航向模型 |
| 4.3.3 航向损失函数 |
| 4.4 实验结果与分析 |
| 4.4.1 行人航向估计性能指标 |
| 4.4.2 数据增广对航向估计的影响 |
| 4.4.3 单步航向模型与Seq2Seq航向模型性能比较 |
| 4.4.4 与其他算法比较 |
| 4.5 本章小结 |
| 第五章 基于在线主动学习的个性化行人步长估计 |
| 5.1 引言 |
| 5.2 数据预处理及高阶特征提取 |
| 5.3 基于DAE-LSTM的步长估计模型 |
| 5.3.1 基于DAE的传感器数据降噪 |
| 5.3.2 基于LSTM的时序特征提取 |
| 5.3.3 DAE-LSTM步长回归 |
| 5.4 基于主动在线学习的用户无感知模型更新框架 |
| 5.4.1 个性化训练数据构建 |
| 5.4.2 个性化模型更新策略 |
| 5.5 实验结果与分析 |
| 5.5.1 行人步长估计性能指标 |
| 5.5.2 DAE-LSTM通用步长模型性能评估 |
| 5.5.3 行人轨迹地图匹配性能 |
| 5.5.4 个性化训练数据标注精度 |
| 5.5.5 个性化数据集大小对模型性能的影响 |
| 5.5.6 通用步长模型与个性化步长模型性能比较 |
| 5.5.7 典型场景步长估计精度 |
| 5.5.8 行走距离估计 |
| 5.5.9 与其他算法比较 |
| 5.6 本章小结 |
| 第六章 基于在线光磁信号的行人航迹校准 |
| 6.1 引言 |
| 6.2 可见光及磁场信号特征挖掘 |
| 6.2.1 光照强度信号分析 |
| 6.2.2 磁场信号分析 |
| 6.2.3 光磁混合特征 |
| 6.3 在线光磁融合指纹 |
| 6.3.1 姿态无关三维地磁指纹提取 |
| 6.3.2 单步指纹 |
| 6.3.3 轨迹指纹 |
| 6.3.4 指纹匹配 |
| 6.4 基于粒子滤波框架的单步定位跟踪算法 |
| 6.4.1 基于长轨迹匹配的粒子初始化 |
| 6.4.2 运动模型 |
| 6.4.3 基于地图的粒子约束 |
| 6.4.4 基于单步指纹的粒子权重更新 |
| 6.4.5 粒子重采样 |
| 6.4.6 行人位置加权 |
| 6.5 基于光磁信号的长轨迹匹配定位算法 |
| 6.5.1 无向加权图模型 |
| 6.5.2 子序列匹配 |
| 6.5.3 匹配结果有效性验证 |
| 6.5.4 光、磁长轨迹融合机制 |
| 6.5.5 长轨迹校准机制 |
| 6.6 实验结果与分析 |
| 6.6.1 典型场景 |
| 6.6.2 抗光干扰性能 |
| 6.6.3 开阔区域定位性能 |
| 6.7 本章小结 |
| 第七章 复杂导航行为模式下的行人自主定位系统 |
| 7.1 系统架构 |
| 7.2 实验设置 |
| 7.2.1 实验人员及设备 |
| 7.2.2 实验平台 |
| 7.2.3 初始位置确定 |
| 7.3 行人自主定位系统性能测试 |
| 7.3.1 行人自主定位性能指标 |
| 7.3.2 导航行为模式对定位性能的影响 |
| 7.3.3 在线校准对定位性能的影响 |
| 7.3.4 典型场景定位精度 |
| 7.3.5 与其他算法比较 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间学术成果列表与参与项目情况 |
四、试论网络信息导航系统的构建（论文参考文献）
- [1]基于光学成像的自主移动机器人端到端路径规划方法研究[D]. 方翠云. 安徽大学, 2021
- [2]物联网环境下的移动智能体安全导航技术研究[D]. 李祖泰. 北京邮电大学, 2021(01)
- [3]多传感器融合的家庭服务机器人导航系统的设计与实现[D]. 何佑星. 兰州理工大学, 2021(01)
- [4]智能车间AGV精确路径导航系统关键技术研究[D]. 张英俊. 广西大学, 2021(12)
- [5]室内场景下的移动机器人视觉建图与路径规划[D]. 孙欣成. 大连理工大学, 2021(01)
- [6]建筑物实景全息地图模型构建方法研究[D]. 罗竟妍. 北京建筑大学, 2021(01)
- [7]无人飞机水稻和油菜制种田作业视觉辅助导航方法研究[D]. 郭祥雨. 中国农业科学院, 2021(09)
- [8]基于双目视觉SLAM的AGV导航系统研究[D]. 王启来. 内蒙古工业大学, 2021(01)
- [9]基于深度学习的单目视觉SLAM关键技术研究[D]. 黄康. 吉林大学, 2021(01)
- [10]行人自主定位关键技术研究[D]. 王曲. 北京邮电大学, 2021