本論文提出分離更新式FastSLAM方法，分離FastSLAM過程中機器人狀態與地標狀態之更新，藉以改善SLAM過程中機器人狀態的預測，在高運動雜訊情形下能有較佳表現；同時亦探討單眼視覺式SLAM，使具備複雜運動模型的行動機器人系統在SLAM過程中對機器人狀態之估測可脫離運動平台之限制。研究內容包含FastSLAM理論之推導、以雷射測距儀為感測器之FastSLAM與分離更新式FastSLAM的實現、單眼視覺系統透視投影法與反深度特徵初始化的推導，反深度特徵初始化與FastSLAM方法之結合，單眼視覺FastSLAM系統之實現。

In this dissertation, separated-update FastSLAM (FastSLAM SU), a modified FastSLAM method is developed in order to improve the robot state prediction in high motion uncertainty situation by updating the robot and landmarks state separately. Meanwhile, for complex motion platform robots, a free moving camera SLAM is also discussed. This research contains introduction, simulation and implementation of FastSLAM and FastSLAM SU and combination of FastSLAM and monocular vision system with inverse depth feature initialization.

目錄
中文論文提要	I
英文論文提要	II
目錄	III
圖目錄	VI
表目錄	IX
第一章	序論	1
1.1	研究動機與研究目的 	1
1.2	問題描述	1
1.3	相關文獻探討	3
1.4	研究範圍	5
1.5	論文架構	5
第二章	分解式SLAM	6
2.1	SLAM後驗分佈之分解	6
2.2	FastSLAM 粒子初始化	6
2.3	FastSLAM 1.0 概述	7
2.3.1		FastSLAM 1.0 機器人狀態預測	7
2.3.2		FastSLAM 1.0之量測、量測預測與資料關聯	7
2.3.3		FastSLAM 1.0地標的狀態更新與新增	8
2.3.4		重新取樣	9
2.4	FastSLAM 2.0 概述	11
	2.4.1		FastSLAM 2.0 機器人狀態預測與更新	11
	2.4.2		FastSLAM 2.0之量測、量測預測與資料關聯	12
	2.4.3		FastSLAM 2.0地標的狀態更新與新增	12
2.5	FastSLAM 2.0 SU概述	14
	2.5.1		FastSLAM 2.0 SU 機器人狀態預測與更新	14
	2.5.2		FastSLAM 2.0 SU之量測、量測預測與資料關聯	15
	2.5.3		FastSLAM 2.0 SU地標的狀態更新與新增	15
第三章	模擬與實測分析	18
3.1	FastSLAM模擬	18
	3.1.1		機器人運動模型	18
	3.1.2		機器人感測模型	19
	3.1.3		地圖管理策略	20
	3.1.4		模擬程式介面	20
3.2	模擬結果與分析	22
	3.2.1		低運動雜訊模擬	22
	3.2.2		高運動雜訊模擬	24
3.3	實測與分析	26
	3.3.1		封閉地形環境	26
	3.3.2		量測資訊之前處理	26
	3.3.3		低運動雜訊實測	26
	3.3.4		高運動雜訊實測	30
	3.3.5		長距離直線實驗	32
第四章	單眼視覺式同時定位與建圖	41
4.1	攝影機運動模型	41
4.2	感測模型	41
4.3	特徵初始化	43
4.4	線性指標	46
4.5	量測模型之線性指標	47
4.6	特徵維度轉換	48
第五章	單眼視覺式SLAM模擬	49
5.1	單眼視覺FastSLAM模擬	49
第六章	研究成果與討論	61
6.1	研究成果	61
6.2	未來研究方向	61
參考文獻	62
附錄A	兩輪差速驅動機器人介紹	64
A.1	機器人系統架構	64
A.2	雷射測距儀	66

圖目錄
圖2.1	重新取樣流程	10
圖2.2	FastSLAM 2.0演算法流程圖	13
圖2.3	FastSLAM 2.0 SU流程圖	17
圖3.1	模擬場景介紹	18
圖3.2	測距儀量測模型	20
圖3.3	FastSLAM 模擬程式介面	20
圖3.4	模擬環境	23
圖3.5	實測場景	27
圖3.6	低運動雜訊機器人運動終點	27
圖3.7	低運動雜訊FastSLAM 1.0實驗結果	28
圖3.8	低運動雜訊FastSLAM 2.0實驗結果	29
圖3.9	低運動雜訊FastSLAM 2.0 SU實驗結果	29
圖3.10	高運動雜訊機器人運動終點	30
圖3.11	高運動雜訊FastSLAM 1.0實驗結果	31
圖3.12	高運動雜訊FastSLAM 2.0實驗結果	31
圖3.13	高運動雜訊FastSLAM 2.0 SU實驗結果	32
圖3.14	長距離直線實驗結果(Step=1)	33
圖3.15	長距離直線實驗結果(Step=100)	34
圖3.16	長距離直線實驗結果(Step=200)	35
圖3.17	長距離直線實驗結果(Step=300)	36
圖3.18	長距離直線實驗結果(Step=400)	37
圖3.19	長距離直線實驗結果(Step=500)	38
圖3.20	長距離直線實驗結果(Step=600)	39
圖3.21	長距離直線實驗結果(Step=789)	40
圖4.1	透視投影法示意圖	42
圖4.2	攝影機座標與特徵點	43
圖4.3	 求算方式示意圖	46
圖4.4	函數f於 之導數	47
圖4.5	攝影機與特徵點之幾何關係	48
圖5.1	模擬場景	50
圖5.2	攝影機移動路徑	51
圖5.3	模擬中各時刻最大權重粒子所含之地標數目	53
圖5.4	單眼視覺攝影機模擬結果(Step=108)	54
圖5.5	單眼視覺攝影機模擬結果(Step=402)	55
圖5.6	單眼視覺攝影機模擬結果(Step=600)	56
圖5.7	單眼視覺攝影機模擬結果(Step=800)	57
圖5.8	攝影機位置與估測結果	58
圖5.9	攝影機速度與估測結果	59
圖5.10	量測數目與耗費時間	60
圖A.1	Pioneer 3-DX機構說明	65
圖A.2	Pioneer 3-DX前視與側視圖	65
圖A.3	差速驅動機器人之本體外觀	65
圖A.4	攝影機與雷射支架	66
圖A.5	雷射測距儀掃描範圍	66

表目錄
表3.1	介面欄位圖例及說明	21
表3.2	低運動雜訊模擬結果	23
表3.3	高運動雜訊模擬結果	24
表3.4	低運動雜訊實驗機器人最終位置	28
表3.5	高運動雜訊實驗機器人最終位置	30
表3.6	長距離直線實驗機器人最終位置	32
表5.1	已知特徵點設定	49
表5.2	攝影機運動方式	51
表5.3	模擬參數	52
表5.4	地標估測結果	60
表A.1	Pioneer 3-DX規格	64
表A.2	SICK LMS 100 雷射測距儀規格表	66

[1]	Arulampalam, M.S., S. Maskell, N. Gordon, and T. Clapp, “A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking, ”IEEE Trans. on Signal Process., vol.50, no.2, pp.174-188, 2002
[2]	Bay, H., A. Ess, T. Tuytelaars, L. Van Gool, “SURF: speeded up robust features,” Computer Vision and Image Understanding, vol.110, pp.346-359, 2008
[3]	Blom, H. A.P, and Y. Bar-Shalom, “The interacting multiple-model algorithm for systems with Markovian switching coefficients,” IEEE Trans. on Automatic Control, vol.33, pp.780-783, 1988
[4]	Civera, J., A.J. Davison and J.M.M. Montiel, “Inverse Depth Parametrization for Monocular SLAM, ”IEEE Trans. on Robotics, vol.24, no.5, pp.932-945, 2008.
[5]	Cyrill Stachniss, et al., “Analyzing Gaussian Proposal Distributions for Mapping with Rao-Blackwellized Particle Filters,” In IEEE Int. conf. on Intell. Robots Syst. (IROS), pp.3485-3490, 2007.
[6]	Davison, A.J. et al., ”MonoSLAM Real Time Single Camera SLAM, “IEEE Trans. on Pattern Anal. and Machine Intell., vol.29, no.6, pp.1052-1067, 2007 
[7]	Deaves, R.H., “Covariance bounds for augmented state Kalman filter application,” IEE Electronics Letters, vol.35, no.23, pp.2062-2063, 1999.
[8]	Dellaert F., et al., ”Monte Carlo localization for mobile robots. Artifical Intelligence,” Proc. IEEE Int. conf. on Robot. Autom. (ICRA), pp.1322-1328, 1999.
[9]	Dissanayake, M.W.M.G., P. Newman, S. Clark, H. Durrant-Whyte, and M. Csorba, ”A Solution to the Simultaneous Localization and Map Building (SLAM) Problem,” IEEE Trans. on Robotics and Automation, vol.17, no. 3, pp. 229–241, 2001
[10]	Durrant-Whyte, H., and T. Bailey, “Simultaneous Localization and Mapping: Part 1”, IEEE Robotics and Automation Magazine, 2006.
[11]	Durrant-Whyte, H., and T. Bailey, “Simultaneous Localization and Mapping: Part 2”, IEEE Robotics and Automation Magazine, 2006.
[12]	Hutchinson, S. et al., “A Tutorial on Visual Servo Control,” IEEE Trans on Robotics and Automation, vol.12, no.5, pp.651-670, October 1996.
[13]	Karlsson, N. et al., “The vSLAM algorithm for robust localization and mapping.” In IEEE Int. conf. on Robot. Autom. (ICRA), Barcelona, Spain, pp. 24-29, 2005
[14]	Lowe, D.G., “Distinctive Image Features from Scale-Invariant Keypoints,” International Journal of Computer Vision, 60, 2, pp. 91-110, 2004.
[15]	Jun S. Liu et al., “A theoretical framework for sequential importance sampling and resampling.” in Sequential Monte Carlo in Practice ,A. Doucet, N.de Freitas, and N.J. Gordon, editors, Springer-Verlag, January 2001.
[16]	Montemerlo, M., “FastSLAM: a factored solution to the simultaneous localization and mapping problem with unknown data association,” Ph.D. dissertation, Carnegie Mellon University, Pittsburgh, PA, 2003.
[17]	K. Murphy and S.Russel, “Rao-Blackwellised particle filtering for dynamic Bayesian networks,” in Sequential Monte Carlo Methods in Practice, A. Doucet, N. de Freitas, and N. Gordon, editors, Springer, New York, 2001, pp.499-516.
[18]	Sciavicco, L., and B. Siciliano, Modeling and Control of Robot Manipulators, McGraw-Hill, 1996.
[19]	Smith, R., M. Self, and P. Cheeseman, “Estimating Uncertain Spatial Relationships in Robotics,” in Autonomous Robot Vehicles, I.J. Cox and G.T. Wilfong, Eds., Springer-Verlog, 1990, pp.167-193.
[20]	Thrun, S., “Robotic mapping: A survey,” in Exploring Artificial Intelligence in the New Millennium, G. Lakemeyer and B. Nebel, Eds., San Mateo, CA: Morgan Kaufmann,  2002, ch. 1.
[21]	Thrun, S., W. Burgard, and D. Fox, Probabilistic Robotics, MIT Press, Cambridge, MA, 2005. 
[22]	Wang, C.C. et al., “Simultaneous Localization, Mapping and Moving Object Tracking,” The International Journal of Robotics Research, vol. 26, no. 09, pp. 889-916, 2007.
[23]	鄭聖賢，2010，機器人使用單眼視覺建立環境地圖，淡江大學機械與機電工程學系碩士論文。
[24]	郭沛棋，兩輪差速驅動機器人之視覺式同時定位與建圖，淡江大學機械與機電工程學系碩士論文，2011