地面智能机器人是一种能够利用自身携带的多传感器装置获取当前行驶环境的有效信息,并通过感知、处理、决策及执行等模块之间的配合,实现自主或半自主行驶的机器人。随着军用、民用和宇宙探索等领域对智能机器人需求量的增加,地面智能机器人技术正在经历着日新月异的发展。相对于结构化和半结构化环境,非结构化环境中的光照条件和自然地型的不确定性和多样性较强,再加上天气条件的多样性,及景物的季节性变化等不可预知情况的存在,使得地面智能机器人对非结构化环境的理解更为困难。本文主要针对地面智能机器人在非结构化环境中的可通行区域识别和可通行性判别问题,从图像特征提取、主动学习以及字典学习方面展开了深入探讨和研究,主要内容和创新点如下所述。针对单一颜色特征对阴影区域识别效果较差的缺点和识别区域不连续的缺点,提出一种融合空间信息的 GSDCT(Global Spacial Discrete Cosine Transform)纹理特征,并用于可通行区域的检测,以缓解阴影和光照变化带来的识别率降低的问题。首先提取图像彩色协方差特征,再提取图像的多通道DCT(Discrete Cosine Transform)纹理特征,最后融合图像的空间信息,构成同时包含局部图像信息和空间方位信息的综合图像特征。通过将所提特征与多种分类器相结合进行可通行区域的检测,实验结果表明GSDCT纹理特征对光照变化明显区域的识别效果有所改善,缓解了因光照变化带来的识别率降低的问题;融合空间信息的多通道颜色纹理特征减少了识别过程中区域不连续的情况,进一步提高了地面智能机器人对环境的适应能力。针对传统主动学习算法对非平衡数据集中样本学习不合理的缺点,提出一种基于不平衡数据集类别自适应主动学习算法ADSSS(Adaptive Dissimilarity-based Sparse Subset Selection),并将该算法用于非结构化道路的可通行区域识别。该算法一方面可根据样本集中各样本点间的相似性,构建样本相似矩阵,从而找到数据集在全局和局部上的对分类最具鉴别性信息的样本子集;另一方面该算法可根据类别数对所选样本子集进行自适应调控,使得所选样本子集是涵盖所有类别的,从而避免了将样本数量较少的类别误当作数据集的噪声而将其忽略。实验结果表明所提算法可在训练集仅由少数样本组成的情况下,对序列图像的可通行区域识别正确率达到98.6%,充分表明所提主动学习算法的有效性,提高地面智能机器人对各种道路环境的自适应能力。针对非结构化环境中矩形特征窗口在区域边界处易产生混合样本的缺点以及单独核函数在映射异构特征向量时效果较差的缺陷,提出基于超像素分割和多核学习的可通行区域识别算法。在SLIC(Simple Linear Iterative Cluster)算法的超像素分割基础上,提取各超像素的多特征向量,并构建近景高置信训练样本集,最后通过多核学习算法对训练样本集建立多核线性组合的分类模型,实现可通行区域的识别。同时,定义了加权识别率用来评估算法的识别性能。该算法采用像素级的特征窗口和多核线性组合在构建多核核函数的同时对多特征进行融合,因此对场景序列中的各种噪声数据有较强鲁棒性;且由于能够构建自适应无监督的近景高置信样本训练集,对场景的多样性有较强适应能力。针对非结构化环境中车辆可通行性的判别问题,从主动学习和稀疏表示的角度出发,提出一种基于主动鉴别字典学习的序列图像可通行性判别算法(Active-Discriminational Dictionary,ADD)。通过在序列图像上基于主动鉴别字典的学习和稀疏表示,实现对当前环境的可通行性进行判别,避免了地面智能机器人在远离可通行区域时仍继续前行而产生的异常状况。实验表明,所提基于主动鉴别字典学习的序列图像可通行性判别算法能够在地面智能机器人自主行驶中识别当前行驶环境的可通行性,并提供可通行区域所在位置的相对方向,为地面智能机器人的行驶方向调整提供了依据。