目前,高精度建图和定位虽然是实现无人车安全自主导航的重要手段,在无人驾驶中扮演着越来越重要的角色,但是高精度地图的构建和定位依然存在很多缺陷和挑战。首先目标环境可能满足不了高精度建图的条件;其次地图的精度越高,对传感器的精度要求越高,增加了硬件成本;另外环境中微小的变化需要高精度地图的及时更新,维护更新周期短;最后在简单的任务下,高精度地图会增加资源和成本的开销。针对这些困难,本文立足于环境表示新方法,开展对机器人的建图、定位及导航研究,主要研究内容和成果有:1.提出了一种新的环境表示方法—细胞。其核心思想是构建具有自适应周围环境、传感器精度及任务复杂度的地图。论文首先分析了基于不同环境基元构建的地图存在的缺点和局限性,在此基础上提出一种基于特征聚合的环境表示方法;进一步分析该方法在特征少、大规模场景下的建图方法;最后将该方法与传统的建图方法进行比较测试,成功构建了特殊场景下的基于细胞单元的场景地图。2.将新的环境表示方法应用于机器人定位,提出一种多分类的定位模型。考虑到深度学习在特征提取和解决分类问题上的优势,结合细胞单元的特点,将机器人的位置估计问题建模为端到端的分类问题,融合孪生网络和Vgg网络构建了双流的深度学习定位模型。该模型融合了全局位置估计和方向估计,克服尺度的影响,减小模型训练难度;增量式的估计全局位置,有效防止少量的定位错误所导致的机器人位置跳动带来的致命影响。实验表明,该模型能够适用不同的分辨率,处理多场景的定位问题,模型分类的准确率高、测试的运行速度快、定位的稳定性好。3.在新的环境表示方法之上设计了移动机器人的导航系统。考虑到场景中可能存在不同大小障碍物及机器人配备不同测量距离的传感器,本文设计了两种导航模式。一种是基于感知信息实现的窗口搜索规划方法;另一种是借助细胞基元的地图,提出一种状态转移的规划方法,其将每个细胞基元看作一个状态,导航过程相当于是细胞之间的转换。融合这两种规划方式,实验表明,机器人能够实现不同环境条件的导航。