室内移动机器人具有广泛的运用,在提升生产效率的同时还能降低人力成本。通过多种输入的传感器信息,机器人可以在具有先验信息或不具有先验信息的环境中实现自主导航。激光雷达与摄像头是自主导航两种常用的传感器。激光雷达能够进行准确的测量,而摄像头能感知环境中丰富的信息。机器人可以利用这些信息实现实时的位姿估计与避障。位姿估计解决了机器人“在哪里”的问题,实时避障解决了机器人沿着无碰撞路径到达目标的问题。为了使位姿估计方法在满足计算复杂度的基础上,反馈实时准确的位姿信息,以及在具有先验信息与无先验信息的环境中实现动态避障,本论文提出以下主要研究内容:针对室内移动机器人位姿估计快速性、准确性要求,本研究提出了基于渐进式扫描匹配的位姿估计算法,该算法可在参考地图中进行实时的位姿估计。算法分别生成旋转样本和渐进式平移样本以降低计算复杂度并保证精度。非线性优化算法的引入可以进一步优化位姿估计结果,从而获得更精确的信息。基于渐进式扫描匹配的位姿估计结果加入传感器信息可以更新栅格的灰度值并构建栅格地图。针对重要特征被遮挡引起渐进式扫描匹配的位姿估计结果发生误差的问题,本研究提出视觉里程计辅助位姿估计算法。算法对输入图像做预处理以提高运算效率和可靠性,然后通过匹配特征点估计机器人的位姿。接着使用数理统计方法分析基于渐进式扫描匹配的样本评分分布。如果位姿估计的结果有误差,需根据主成分分析确定位姿估计的最大误差方向,并使用视觉里程计的结果在该方向上进行误差补偿,提高位姿估计结果的准确度。针对环境模型已知情况下的避障问题,本研究提出基于多信息膨胀地图的避障方法,使用多信息膨胀地图对先验环境信息进行建模。多信息膨胀地图的静态层需要预处理,其他语义层在每次接收到传感器信息后进行更新。不同的障碍物信息在相应的语义层中标记与更新,并加入到静态层。在多信息膨胀地图处理完当前传感器信息并保存在地图中后,避障算法判断避障状态,并采取相应的避障策略。针对环境模型未知情况下的避障问题,本研究提出基于仿人推理的Qlearning避障方法使机器人能够在无先验环境模型的条件下有效实施避障。算法根据仿人感知的方式定义机器人的状态与评价函数,使机器人依次避开前方的动态障碍物抵达目标。同时在行为定义中引入动态窗口,使移动机器人的运动控制指令能够始终在运动学允许的情况下给出。该方法无需对环境建模的同时兼顾了机器人的运动学性能,能够满足在不具有先验信息环境中的避障要求。在实验研究中,首先对移动机器人的搭建与传感器标定做了简要介绍。基于渐进式扫描匹配的位姿估计实验验证了位姿估计的准确性与实时性。视觉里程计辅助位姿估计实验验证了在具有遮挡环境中算法对基于渐进式扫描匹配位姿估计误差的补偿。基于多信息膨胀地图的避障实验验证了多信息膨胀地图的性能以及避障算法的有效性。基于仿人推理的Q-learning避障实验验证了机器人能够在动态环境中在其运动学限制下进行避障。可移植性实验验证了所提出的位姿估计与避障方法在其他构型机器人平台的移植,展示了方法的通用性。