移动机器人认知地图创建技术综述
为了定位和导航，机器人必须对环境有所感知，环境信息在移动机 器人自主导航中占据着十分重要的位置。
环境表示方法主要包括: 度量地图(按照距离描述世界，地图中的距离对应实际世界中的距离)
度量地图又可被分成两种： (1)栅格地图，它的原理是将整个环境分成若干大小相同的栅格，每一栅 格代表环境的一部分，并包含一个表示该单元格被占据可能性的概率值。 (2)几何地图，机器人收集对环境的感知信息，从中提取更为抽象的几何 特征，例如线段或曲线，使用这些几何信息描述环境。
如果机器人初始位姿、环境及目标已知，导航问题转化为全局路 径规划问题。
全局路径规划方法：环境分割法 图搜索法 遗传算法 可视图法 人工势场法
局部路径规划方法：人工势场法 神经网络法 模糊推理法 向量场矩形法 速度空间寻优方法 动态窗口法
移动机器人目标跟踪技术：按照目标的类型可以分为静态目标的跟踪
与动态目标的跟踪。
静态目标跟踪：目标点是静止不动的，机器人需要识别目标，估 计目标在机器人坐标系下的位置，然后尽量保持目标在自己的视野范围 中，并且逐渐的接近目标。
动态目标跟踪：目标点是运动的，机器人需要预测目标点的运动，然 后调整自己的姿态，保持目标在自己的视野中，然后接近目标点
移动机器人 SLAM 技术综述
SLAM （同时定位与地图创建问题）基本思想：利用已创建地 图修正基于运动模型的机器人位姿估计误差；同时根据可靠的 机器人位姿，创建出精度更高的地图。
简单的说，SLAM利用观测到的特征计算它们的世界坐标以实现 地图创建，同时更新机器人的位姿以实现机器人的定位。
SLAM的目的是，根据输入信息估计机器 人运动路径S以及地图M。
机器人从位姿S0开始通过控制命 令序列Ui移动，随着机器人的移动， 附近的路标被感知到，时刻t＝1，感 知到路标m1，并获得测量数据z1(包 括距离和方向)，时刻t＝2，感知到路 标m2，并在时刻t=3，重新感知到路 标m1，现在已经形成的地图为：
M={m1,m2,mn}
SLAM 问题的图形模式
基于扩展卡尔曼滤波（EKF）的 SLAM 技术：主要是建立机器人的
运动模型和观测模型。 运动模型是用来获取从状态XK-1到XK的变化。 在机器人运动时，在 k 时刻观测到的路标的状态值可以通过观测模型
来描述。 对于机器人的系统模型和观测模型，EKF 使用最小平均方统模型。
缺点：从后验概率中采样十分困难 粒子的耗散问题
快速 SLAM 技术：FastSLAM将SLAM分解为机器人定位和
特征标志的位置估计两个过程。 粒子滤波器中的每个粒子代表机器人的一条可能运动路径，
对于每个粒子来说，机器人的运动路径是确定的，因此特征标 志之间相互独立，特征标志的观测信息只与机器人的位姿有关， 每个粒子可以采用N个卡尔曼滤波器分别估计地图中N个特征 的位置。 缺点：早熟问题，也称为退化问题，即在经过若干次迭代之后，
机器人定位的方法可以分为： 非自主定位：是在定位的过程中机器人需要借助机器人本身以外的装置
如：全球定位系统(GPS)、全局视觉系统等进行定位。 自主定位两大类：是机器人仅依靠机器人本身携带的传感器进行定位。
按照初始位姿是否已知，可把机器人自主定位分为： 初始位姿已知的位姿跟踪：位姿跟踪是在已知机器人的初始位姿的条件
有可以使用的状态信息，计算系统状态估计值，这通过预测、观测和更 新三步迭代完成。 基于 EKF 的 SLAM 方法的主要缺点：
（1）假设机器人运动模型传感模型的噪声都是单模态高斯白噪声 （2）计算复杂度与特征数的二次方成正比
基于传统粒子滤波的 SLAM 技术：主要思想是采用一个
带权重的离散粒子的集合 表示系统的后验概率。 与传统的扩展卡尔曼滤波器相比，粒子滤波器不需要假设
(3)研究移动机器人目标监测和跟踪问题 在认知地图下，提出三种有效的环境监测及目标跟踪方法，为机器
人与环境交互提供技术基础。
论文主要内容
绪论—— 移动机器人自主导航技术综述 移动机器人 SLAM 技术综述 移动机器人认知地图创建技术综述 认知地图创建中的环境特征匹配算法—— 基于双向-最优矩形优先(DD-BBF)的比例不变性视觉特征匹配算法 激光测距仪极坐标扫描匹配算法 基于多传感器联合顺序粒子滤波的认知地图创建算法—— 基于认知地图的移动机器人自主导航技术—— 基于认知地图的目标跟踪技术—— 认知地图中基于鲁棒背景差分算法的目标跟踪技术 认知地图中基于视觉特征匹配的目标跟踪技术 认知地图中基于视觉-激光测距仪的人体跟踪技术
移动机器人自主导航技术综述
移动机器人导航是指移动机器人依靠传感器在特定环境中，按时 间最优、路径最短或能耗最低等准则实现从起始位置到目标位置的 无碰撞运动。
导航问题三大要素：地图创建 定位 运动控制
通过三大要素解决三大问题： 我在哪 我要去哪 如何去
地图创建、定位和运动控制的关系
机器人定位的目的是回答“我在什么地方？”这个基本的问题。
大多数的粒子权重都趋于零，从而只有少数的粒子真正对系统状态的 估计起作用。
基于扫描匹配的 SLAM 技术：基于最近邻扫描匹配来
估计两次扫描间机器人的平移和旋转的算法。 该算法通过迭代细调由机器人里程计给出的初始位姿，
限定了搜索空间。然而，该算法假定机器人的初始位姿和机 器人的真实位姿之间的偏差足够小，以便于达到全局最优匹 配。
下，在机器人的运动过程中通过将观测到的特征与地图中的特征进行匹配， 求取它们之间的差别，进而更新机器人的位姿的机器人定位方法。
初始位姿未知的全局定位：全局定位是在机器人的初始位姿不确定的条 件下，利用局部的、不完全的观测信息估计机器人的当前位姿。
移动机器人路径规划技术：全局路径规划和局部路径规划。
基于认知地图的移动机器人 自主导航技术研究
本文研究的三大问题：
(1)研究移动机器人环境感知问题 提出了基于多传感器联合顺序粒子滤波的认知地图创建算法，将移动
机器人对环境的学习，从感知层次提高到认知层次。
(2)研究移动机器人自主导航问题 在认知地图下实现了全局定位、位置识别、避障路径规划、基于位置
的导航及精确末段泊位问题。