随着移动机器人应用环境的日趋复杂和非结构化,探测未知环境,已经发展成为移动机器人研究领域中的一个重要研究方向和基础性难题。作为移动机器人智能导航和环境探索研究的重要基础,机器人在未知环境中的即时定位和地图创建(Simultaneous Localization and Mapping,SLAM)在机器人技术领域受到众多学者的极大关注。本文分别从传感器信息处理、粒子滤波定位和混合拓扑-几何特征地图建立等三个方面出发,对机器人SLAM问题进行了深入的研究并取得了如下的研究成果。1、基于视觉和激光传感器信息处理算法的研究智能移动机器人要想有效可靠的探测未知的环境,能够具有视觉和测距能力是至关重要的,有效分析传感器信息以获取环境特征是环境建模与定位的重要基础。本文基于图像的多尺度空间不变特征变换——SIFT算法(Scale Invariant Feature Transform)为基础,利用其对旋转、尺度缩放、仿射变换、视角变化、光照变化等因素保持较强鲁棒性的特点,对局部环境特征进行辨识。针对原始算法中图像的SIFT特征关键点数量大、特征向量维数多(128位)等局限性特点,本文提出了基于子区域应用最大梯度旋转规范化算法(Maximum Gradient Rotated and Normalized algorithm,MGRN),在特征点周围采用2×2的子区域进行梯度计算,并将包含最大梯度在内的4个梯度向量,经过旋转规范化后作为关键点特征向量,有效降低了特征向量的维度。另外按一定比例优先选取梯度幅值大的特征点,不必计算所有的特征点,提高基于SIFT特征点的匹配标准,增加了匹配的可靠性。提出了基于局部环境的拟合线段的权值向量(Weighted Line Vector,WLV)与图像SIFT特征数据融合的算法,同时改进了对激光扫描数据拟合直线和局部线段匹配的算法。在不降低对环境辨识匹配率的基础上,节省了储存空间,降低了算法的复杂度,提高了算法的实时在线计算能力。2、基于粒子滤波算法的即时定位与地图创建的研究目前自主移动机器人研究领域的即时定位与地图创建算法主要采用概率估计算法,如卡尔曼滤波器(KF)、扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)、最大似然估计(MLE)、粒子滤波器(PF)、Rao-Blackwellized粒子滤波器(RBPF)以及Markov定位算法等。在综合分析研究以上算法的基础上,以RBPF算法为基础,提出了基于UKF辅助建议分布的粒子滤波算法,提出粒子近似分布与UKF辅助建议分布的距离概念,并作为粒子自适应重采样的条件。在粒子的重采样过程中,部分粒子是从UKF辅助建议分布中抽取的,因此提高了粒子的质量和多样性,使粒子向真实后验分布区流动。提出了基于拓扑节点的重要性权值概念,对采样的粒子进行基于拓扑节点内的遗传算法优化,进一步防止粒子的退化。以UKF算法取代标准RBPF算法中基于路标估计的EKF算法,由此避免了推导复杂耗时的雅克比矩阵,减少了对非线性模型的线性化所引起的信息丢失和误差增加。以上方法降低了粒子定位算法的复杂度,提高了算法实时在线的运行速度和准确度。3、基于混合拓扑-几何特征地图的研究探索未知环境的首要任务是利用自身携带的传感器获取外界信息,对陌生的环境进行建模,表达周围环境空间的抽象形式,并将其作为地图信息存储起来,以引导机器人实现自身定位、完成更加复杂的任务。本文在拓扑节点的构造、节点识别以及回路闭环节点检测等几个问题上提出了自己的新构思和相应算法。节点的构造法采用等距或基于新路标法,延迟判断回路闭环节点方法有效地提高了拓扑节点识别的正确率,在线维护连通子矩阵提高了机器人实时运算的能力,拓扑节点的构造和识别主要根据局部环境图像的SIFT特征和线段的权值向量特征信息融合来完成,实验结果验证了算法的有效性。