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——
来描述。
对于机器人的系统模型和观测模型，EKF 使用最小平均方差融合所 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
激光测距仪极坐标扫描匹配算法
激光测距仪传感器的测量结果为距离扫描，是一个长度有限的离散的 数字序列，每个元素表示对应角度方向上最近目标的距离。 激光扫描匹配算法将当前扫描与参考扫描相匹配以保证距离残差平 方和最小化，并且假定在参考扫描坐标系中描述的当前扫描的初始位姿
已经给定。
极坐标扫描匹配算法主要包括以下步骤： 1)扫描数据预处理，去除噪声，约减数据，提高匹配的精度和效率； 2)扫描投影，将当前扫描数据转换到参考坐标系； 3)平移估计，估计当前扫描与参考扫描的平移距离； 4)旋转估计，估计当前扫描与参考扫描的旋转角度； 5)误差协方差估计。
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
系统模型服从高斯分布，它可以表示任何形式的系统模型。
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，
基于多传感器联合顺序粒子滤波的认知地图创建算法
本文在里程计、单目视觉和激光测距仪等多传感器的基础上，创建一
种概率意义下的包含语义-拓扑-度量层的与人类兼容的认知地图。 为了创建认知地图，提出一种基于多传感器顺序粒子滤波的认知地图 创建算法。 该算法以运动控制序列、视觉和激光测距信息作为输入，采用单目视觉 和激光测距仪进行联合SLAM(JointSLAM)，创建认知地图的度量层，在度 量层创建过程中，根据分割规则把生成的度量地图分割为子地图；根据分 组规则，把子地图分组。子地图组又称位置，根据导师信息，给位置关联 语义信息，实现物理空间到概念空间的映射。认知地图的拓扑层是根据位 置的度量关系和连通性创建的。
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ቤተ መጻሕፍቲ ባይዱ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。 (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
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。
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
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。
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
认知地图创建中的环境特征匹配算法
移动机器人安全导航能力是建立在环境感知的基础之上的； 环境感知则依赖一定的传感器获取环境特征信息； 机器人认知地图创建过程也需要以某种数据形式描述机器 人所在环境的障碍物或者特征标记。
主要讨论视觉特征和激光特征匹配方法
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
拓扑地图(将环境表示为一张拓扑意义的图，图中的节点对应于 环境中的特定地点，弧表示不同节点之间的关系)
拓扑图不必精确表示不同节点间的地理位置关系，机器人只需知
道它正在哪一条边上行走也就够了。
度量-拓扑混合地图(一般采用分层结构。首先利用上层的拓扑地 图实现粗略的全局路径规划，然后利用底层的度量地图实现精确的定 位并优化生成的路径）
（1）传感层，即主体传感系统，提供环境和机器人位姿的观测信息。
（2）控制层，以传感层作为输入，以控制马达到一定的状态为输出，包 含控制规则选择和每一个控制规则的终止条件 （3）包含几个主要概念：动作A定义为：使得机器人从一个显著的状态 变化到另一个状态的控制规则序列；视(V)定义为：传感层输入向量 （4）拓扑层，采用位置、路径和区域及他们的连接性、顺序和包含性描 述环境
神经启发模型
神经启发模型更关心提供从到访过的不同部分环境中提取充分信息来激 活和训练神经网络中的“神经元”，这样神经元能在相同环境被再次访问时 被激活。“神经元”的激活被阐述为成功识别了环境，因此这些神经元称为 “位置神经元”。 Cuperlier 模型 Cuperlier提出的认知地图由节点和弧组成，每一个节点描述一个转移， 每次使用一个转移时，生成一个指定值的弧来描述该转移。 RatSLAM 模型 RatSLAM包含三个不同的表述单元即位姿、局部视图和经验地图。
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
包含语义-拓扑-度量层的与人类兼容的认知地图
认知地图创建算法框架
基于 JointSLAM 的认知地图度量层创建
具体的实现为：机器人运动过程中，单目视觉以设定的频率采集图像， 进行基于视觉的 SLAM；同时，激光测距仪以设定的频率采集距离信息， 进行激光测距仪 SLAM。由于两种方法都要对里程计进行修正，所以按照 时间顺序进行联合顺序粒子滤波。
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。
（5）度量层，涉及环境的2维全局地图(例如网格地图)，这为认知主体提
供一个定量的环境描述，例如位置之间的距离及路径之间的角度等
PLAN 代 表 原 型 (Prototypes) 、 位 置(Location)和联合网络(Associative
Networks)。
PLAN 模 型 源 于 解 决 以下 问 题 ： (1)路标识别 (2)路径选择(3)方向选择 (4)环境抽象概述 PLAN模型使用一个简单的联合网络来实现寻路中的方向选择，使 用局部地图告诉认知主体如何导向附近的路标。 PLAN模型中，环境描述为一个区域地图网络，线索是场景中物体 的抽象，例如树、建筑物等。 从这些场景中抽取的线索映射到位置网格单元，方向性的和位置性 的网格构成局部地图。
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。
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 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
SIFT 算法的四个步骤
特征点周围区域图像梯度
SIFT 特征点描述器示意图
一个完整的 SIFT 特征点包含图像坐标系下的位置 p、尺度 s、 主方向 O及 128 维的特征描述器等四个部分。 本文提出双向最优矩形优先(DD-BBF)算法，简单描述为：采 用{ E ← E‘ } ∩ {( E ← E’ ) →E‘}作为两个 SIFT 特征集合的匹配结 果，可去除大量误匹配。（设 E 和 E' 是两个SIFT 特征集合）
认知地图
认知地图的三种定义：
（1）认知地图是指任何形式的环境的智力描述；
（2） 一种处理过程，包含一系列的心理变换来使得主体获得、 存储、回调和解码日常的空间环境信息；
（3）一种通过观测和理解，对环境的内在描述，用于位置之
间的导航。 认知地图的创建模型： ASR 模型 SSH 模型（空间语义层级模型）
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。