针对移动机器人在进行传统2D环境的定位时所存在的定位精度低且定位实时性差等问题，提出一种改进的迭代近邻点（ICP）算法的定位方法。首先，建立位姿搜索空间，采用由低到高的分辨率对搜索空间进行逐层搜索，并结合多点云密度进行部分点云扫描匹配，排除非最优位姿，加速搜索过程；在进行点云匹配中，采用帧对图的方式，有效地利用了历史帧信息；对得到的最优位姿进行稀疏矩阵位姿优化，进一步提高定位精度。在SLAM Benchmark数据集上进行测试，结果表明所提方法的算法效率是现流行的Cartographer算法的1.8倍到4.9倍之间，同时平移误差较小。并利用Turtlebot2机器人进行实际测试，结果表明所提方法的定位误差相比Cartographer和Gmapping均有明显的降低，且实时性较好；与传统的自适应蒙特卡罗重定位（AMCL）相比，平移误差均值降低了0.035 m，旋转误差均值降低了0.001 rad，具有较高的重定位精度。

轮式里程计在复杂不平的地形和光滑的地面上性能较差，传统的激光扫描匹配方法并不总是正确地建立点云之间的对应关系，容易出现点与点之间的异常关联，导致定位精度较差。针对这一问题，提出一种基于方向端点的激光扫描匹配方法。首先，从环境中提取直线端点作为特征点，通过端点间的特征匹配得到相邻时刻移动机器人的相对位姿关系。基于端点的匹配方法在特征点较少时有可能会产生误匹配，为进一步提高匹配精度，利用端点的方向剔除误匹配的特征点。在此基础之上，利用迭代最近邻法进一步优化方向端点的匹配结果，得到更加精准的移动机器人位姿。实验结果表明，所提方法在7 m×7 m的室内光滑地面环境中，能够达到0.12 m的平均定位误差以及1.18°的平均角度误差，与传统的激光扫描匹配方法相比精度更高。

面对长距离复杂场景下的自主移动机器人导航问题, 仿生鼠脑的RatSLAM相较传统SLAM更加高效。但完全依赖视觉信息, 导致其精度不高、可靠性不足。通过引入天空偏振光定向, 高效地提供精准的绝对航向角, 可以弥补RatSLAM的不足。设计并搭建了一种偏振光仿鼠脑导航系统及导航实验平台, 经过室外道路实验验证了系统的性能, 并与RatSLAM进行了比较。实验结果表明,偏振光仿鼠脑导航系统和RatSLAM的平均位置误差分别为3.65 m和26.29 m, 平均角度误差分别为0.36°和2.39°。该系统减少了累积误差, 实现了高效、强鲁棒性、轻量化的自主导航。

同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑, 成为当今的研究热点。介绍了SLAM 技术的发展历程及主要传感器, 梳理了基于视觉、激光雷达以及多传感器融合的SLAM技术, 并对常见的SLAM算法进行归纳总结, 对比分析各实现方案的优缺点。最后探讨了SLAM的技术难题和发展趋势。

为了解决传统人工势场法在路径规划中存在局部最小和目标不可达的问题, 提出了一种改进的人工势场法。首先,引入障碍物的碰撞范围和使用角度定义障碍物的影响范围, 排除机器人前进方向一定角度和距离外障碍物的影响;其次, 为了解决目标不可达问题, 基于目标点与机器人的距离改进斥力函数;最后,利用外接六边形在障碍物的碰撞范围外创造虚拟目标点, 避免机器人陷入局部最小。基本环境和复杂环境下的实验结果表明:所提算法可以在一定程度上克服传统算法的缺陷, 是一种有效的路径规划算法。

听觉感知是移动机器人不可或缺的功能, 传统电声式麦克风灵敏度较低、易受电磁干扰, 致使移动机器人听觉感知能力较差, 使用受到很大限制。采用自制的Fabry-Perot干涉式(FPI)光纤麦克风代替电声式麦克风, 在市售移动机器人平台上构建了四元十字型光纤麦克风阵列, 设计了基于FPGA的信号处理与声源定位算法程序, 实现了机器人听觉感知与被动式声导航功能。介绍了FPI光纤麦克风的工作原理, 测试并比较其与市售驻极体麦克风的灵敏度; 优化了基于FPGA的声达时差(Time Difference of Arrival, TDOA)定位算法, 完成了移动机器人搭载声源定位系统的设计与集成。实验表明移动机器人搭载的光纤麦克风声源定位系统具有水平全向声源定位功能, 在平均距离为6.60 m的情况下, 室内定位方位角平均误差为1.54°、距离平均误差为0.09 m; 室外定位方位角平均误差为1.84°、距离平均误差为0.16 m, 具有较高的精确度与稳定性; 且移动机器人均能准确到达声源处完成声导航功能, 具有很强的实用性与广阔的应用前景。

通过对人工势场法与蚁群算法进行融合, 给出了一种融合人工势场蚁群算法的移动机器人路径规划算法。一方面, 引入目标点距离影响因子, 改善势场力对移动机器人路径搜索的影响, 通过改进斥力场函数, 避免移动机器人因受到较大的斥力而无法规划出最优路径; 另一方面, 构造势场力启发函数, 同时考虑距离启发信息和势场启发信息, 初始化信息素的差异化分配方式有利于提高算法的收敛速度。实验结果表明, 融合人工势场蚁群算法相比于文献［15］算法, 在最优路径长度、路径转折次数、收敛速度三方面分别提高了2.6%,25%和66.7%, 表明了该算法在路径规划方面的优越性。

针对轮式移动机器人轨迹跟踪控制中存在纵向滑移干扰问题,研究了一种迭代学习控制律。首先, 为了描述纵向滑移干扰引进滑移参数, 建立了存在纵向滑移干扰的移动机器人运动学模型; 然后, 针对机器人系统设计了开闭环P型迭代学习控制器, 选取了几种有代表性的滑移扰动进行分析, 通过理论推导证明机器人在不同纵向滑移干扰下轨迹跟踪的稳定性; 最后,通过仿真实例验证设计控制器的有效性。

针对移动机器人视觉目标检测与跟踪任务, 首先,阐述了其研究背景及意义, 分析了当前目标检测与跟踪方法研究中存在的难点; 其次, 结合特征表达的类型和检测步骤对传统目标检测算法、基于候选区域的目标检测算法、基于回归的目标检测算法与基于增强学习的目标检测算法等4种目标检测算法的优缺点进行了分析比较; 接着, 分析比较了传统跟踪算法、基于稀疏表示的跟踪算法、基于相关滤波的跟踪算法与基于深度学习的跟踪算法等4个阶段视觉跟踪算法的性能; 最后, 总结了现阶段目标检测与跟踪方法存在的局限性, 并指出未来进一步探索的方向。

针对道路狭窄、障碍物较多等复杂环境下快速探索随机树*(RRT*)算法出现的随机性大、效率低、收敛速度慢和路径曲折等问题, 结合一种改进碰撞检测机制的RRT*算法, 提出了一种改进Bi-RRT*算法。该算法首先在动态目标区域进行节点采样, 缩短算法执行时间; 再通过目标偏向策略扩展树节点, 降低树生长的随机性; 然后采用双向树生长策略, 提高算法收敛速度; 最后删除路径冗余节点, 增加路径平滑度和降低算法对内存的需求。在仿真环境下进行实验, 结果表明, 改进Bi-RRT*算法降低了算法执行的随机性, 减少了算法迭代次数, 可以更快收敛到平滑的路径。