本文对自主移动机器人导航中的定位和避碰方法进行了系统的研究和分析,重点研究了机器人的定位方法。主要内容包括移动机器人的位姿跟踪方法、马尔可夫定位方法、蒙特卡洛定位方法,实时避障方法等。本文研究了两种以贝叶斯概率后验估计理论为基础全局定位方法。第一种方法称为马尔可夫法,马尔可夫算法用离散化模型表示环境,其中每一单元都有一个概率值,表示机器人的运动预测及其概率,然后通过环境测量进行特征地图的比较,应用贝叶斯估计方法更新其概率。这是一个递推的状态概率更新过程,融合了运动和感知信息,在机器人运动或传感器数据信息到达时机器人维持的在所有可能位姿空间上的信度分布得到更新。另一种全局定位方法为蒙特卡洛法。蒙特卡洛法是马尔可夫定位的一种实现方法之一,该方法不需要直接求解概率分布函数,而是用随机采样得到的样本集合来表示机器人的位姿信度分布及其不确定性。定位的过程就是用传感器的数据更新样本集、递推求解位姿概率密度函数,这种方法能够表示多峰分布,适合于全局定位且降低了存储空间,计算效率也很高。针对常规MCL在处理机器人拐骗问题上的不足,阐述了MCL算法的一种扩展算法,叫做SRL,该算法在定位失效时加入了基于感知结果的再采样过程。SRL算法工作的很好,对未知的运动和系统误差都有很好的鲁棒性,与常规的MCL算法相比它能更快的将机器人从诱拐中恢复过来。本文讨论了蒙特卡洛位姿估计中的运动模型和感知模型,并进行了常规MCL与SRL有关的对比实验。本文对多机器人系统近年来的发展与主要研究问题进行了叙述,设计了一种紧耦合(互相辅助以完成某一任务)的异类机器人群体的自主协作行为的方法,组内的机器人主要分为两种:一是能力较强的领航机器人;另一种是只能对同组机器人进行识别的能力有限的简单机器人这些协作的行为允许领航机器人带领简单机器人到达预先规划好的位置上,这些机器人用来组成一个感知网络,分析了其中的辅助定位导航的问题,并给出了一些中间实验结果。实时避障是机器人安全运行的基础,研究了机器人融合多元视觉边界信息检测障碍并选择可行路径实现导航的方法。针对检测到的视觉环境信息,研究了多元边界表示与提取算法,通过融合处理得到了实际环境中前进方向上的径向障碍分布(ROP),研究了相关的路径规划算法。对如何提高边界提取算法效率以及在机器人尺寸和实时速度约束条件下的规划等问题提出改进算法,实现了非结构化环境下机器人的局部导航控制,并提高了计算效率,提高了机器人运动的实时性、动态性。