长期自主移动是机器人走向实际应用的一项重要技能。长期运行中,环境不可避免地发生各种变化,包括结构变化和外观变化,这要求算法对变化场景具有足够的鲁棒性。由于成本较低,近年来视觉传感器得到了学界和工业界的青睐,但它们对环境变化较为敏感,对定位感知算法提出了挑战。一方面,视觉特征不鲁棒会带来错误匹配,影响定位效果。另一方面,在园区、港口等非通用场景中,标注数据的缺失使得基于机器学习的特征学习方法难以开展。在此背景下,本文针对园区港口等场景下移动机器人长期自主移动需求开展视觉定位与感知研究,从不同角度提高视觉传感器在长期变化下的鲁棒性,并提高整体的实用性。具体包括以下研究成果:·设计了一个多传感器同步及采集系统,通过统一的时钟源实现各传感器之间的硬件同步并采集了一系列数据集,为后续研究提供验证数据。多传感器同步模块以单片机为核心,单片机将IMU的脉冲信号处理后发送至各传感器。同步模块部署在两个移动平台上,在不同的场景中采集了多时段的多传感器数据,用于本文的一部分实验。实验验证了同步模块的有效性。其中一部分数据集已经公开,可用于激光/视觉SLAM、多传感器融合等研究。·针对跟踪定位中视觉特征匹配错误容易引起的定位失败问题,提出了一种全局拓扑局部度量的地图表达及相应的定位与导航算法,并通过记忆机制不断丰富地图信息来适应光照等动态变化。所提地图表达方法分用别节点和边表示传感器测量值和测量值之间的相对位姿,运行中以参考节点为中心进行跟踪定位与导航。当跟踪定位失败时,记忆机制将新的传感器节点加入到地图中。地图表达的局部特征解决了传统方法在长期运行中的一致性问题,有效控制了计算复杂度。记忆机制实现了在长期运行中不断丰富地图信息,提高了定位成功率,同时保持地图规模趋于稳定。最终在校园环境中实现了纯视觉自主移动。·针对全局定位中气候季节等变化导致视觉特征匹配错误或过少、以及园区类非通用场景标注数据难以获取的问题,提出一种特征解耦方法,通过对抗学习解耦图像中的地点特征和外观特征,训练过程无需标注数据,并将地点特征作为地点重识别的描述子。在自动编码器的基础上,提出了特征兼容判别器和地点域判别器,其中特征兼容判别器约束地点特征与外观特征无关,地点域判别器约束来自不同域的地点特征服从相同分布,二者结合实现了特征解耦。在两个仿真数据集上验证了方法的特征解耦能力,在多个真实世界数据集上提升了地点重识别任务的正确率,相比现有方法有显著优势,并能在不增加模型参数的前提下增加域的数量。·针对非通用场景中人工标注的可行域数据难以获得的问题,提出了一种无监督的可行域检测方法,通过建立统一的坐标,融合多传感器数据,自动生成可行域标注数据,无需人工参与。利用激光建立全局地图及全局坐标系,将车轮的历史轨迹投影到图像上,车轮走过的地方标注为可行域;将去除地面后的激光投影到图像上,激光点所在的地方标注为障碍物。通过融合多时段轨迹,可以使可行域更加完整。最后,将得到的可行域标注数据作为训练样本训练一个像素级语义分割卷积神经网络。与没有多时段融合相比,该方法在多个可行域检测数据集上有明显提升,在不同场景和不同传感器上具有可观的泛化能力。最终,在多时段数据集和真实机器人上开展实验,验证了各模块能从不同角度提高视觉传感器在长期变化中的鲁棒性和实用性。