机器人在未知环境中探索,一个基本的要求是机器人能够决定自己在环境中的位置,这可以在给定地图的前提下,辅助一些传感器完成。但是,很多时候,先验的地图并不存在,需要机器人在运动过程中建立,由此引出了同时定位与建图,即SLAM(Simultaneous Localization and Mapping)的问题。SLAM是当前智能机器人研究的热点,被很多学者认为是实现真正全自主移动机器人的关键。SLAM主要解决移动机器人在没有先验地图的未知环境中的定位与建图问题,它是一个“鸡生蛋,蛋生鸡”的问题,一方面机器人定位需要地图信息的指导,而开始并没有地图,另一方面建图需要精确地知道机器人当前位姿,二者互为前提。 自上世纪80年代末应用卡尔曼滤波器的SLAM方法出现以来,基于概率的方法成为主流的解决方法。SLAM过程中以激光传感器和超声传感器为主的二维传感器常被采用,随着SLAM问题的不断深入研究,传统的二维传感器不能满足实际的需要,视觉传感器由于能够获取的环境信息丰富,近几年在SLAM中得到广泛应用。短短20年时间SLAM研究取得了飞速发展,但是,目前SLAM方法能够处理的环境规模小,大规模环境下SLAM仍然是未来研究追求的目标,特别是对于基于视觉传感器的SLAM。大规模环境下的SLAM未来仍具有挑战性,需要各个环节的有效解决,对于视觉SLAM,主要表现在如下几个方面：(1)可靠陆标的提取。陆标是机器人用于抽象表示实际环境模型的基本元素,可靠的、便于提取的陆标对于机器人在较高不确定性下的陆标匹配以及算法的实时性影响举足轻重。(2)探索策略与SLAM过程的集合。传统的SLAM算法只关心机器人的定位与建图,而不关心机器人在建图过程中运行路径,一般采用随机运行或者人为控制按预定路径运行,事实上,机器人的建图效率、定位与建图精度都与机器人的运动路径有关。探索策略与SLAM过程的结合,即主动SLAM,是机器人获得真正自主的必须。(3)实时性问题。在SLAM过程中,机器人用于抽象表示环境的陆标随着新环境的探索逐渐增加,从而使得系统需要估计的状态变量增加,在陆标数量增长到一定量级时,算法是否能够实时进行估计直接影响到机器人的实际应用。(4)环境表示形式。真实的环境有多种抽象表示形式,如何尽可能丰富的表示环境,从而使得地图除了应用于机器人定位之外,还能够用于机器人高层任务的路径规划,此外,机器人所建立的地图应该便于人识别,这些都是面向未知环境不可缺少的需求。针对上述问题,本文应用单目视觉传感器研究室内环境下的SLAM问题,主要工作包括： (1)室内环境的陆标特征提取方法。针对当前视觉SLAM普遍采用的SIFT点特征陆标的不足,对其进行改进,使之定位与环境重构精度进一步提高。针对室内环境中直线特征丰富的现实,将视觉传感器提取的垂直直线作为陆标应用于环境地图的表示,进一步丰富环境地图的内容,同时提高SLAM算法的估计精度。 (2)同时定位与建图算法研究。针对当前主要的两类概率SLAM算法--基于扩展卡尔曼滤波器与粒子滤波器的算法,首先,给出适合点特征和线特征陆标的基于扩展卡尔曼滤波器的SLAM算法实现机制。其次,为满足较大规模环境下的单目视觉SLAM的需要,进一步改进具有对数级复杂度的FastSLAM算法,在不影响其计算复杂度的情况下,应用无味卡尔曼滤波器代替扩展卡尔曼滤波器进行FastSLAM实现,进一步提高其估算精度,为较大规模环境下的单目视觉SLAM做好算法上的铺垫。 (3)研究考虑成本的主动视觉SLAM,避免当前视觉SLAM研究中,只考虑采取某一行为的收益而忽略为获得该收益所付出代价的不足,促进主动视觉SLAM的完善与发展。 (4)产生能够适于路径规划的辅助地图。针对当前视觉SLAM以点特征作为陆标表示环境模型从而不便于人识别环境以及机器人高层任务规划的不足,提出一种基于图像颜色信息生成适合机器人路径规划的辅助栅格地图的方法,丰富环境的表示形式,使得SLAM过程所建环境地图模型更具有实际应用价值。