足式机器人与轮式、履带等机器人相比具备非连续运动特点,在军事行动、抢险救援等领域具有广泛的应用前景。自美国波士顿动力公司的四足机器人Big Dog和Little Dog问世以来,全世界掀起了四足机器人研究热潮。四足机器人由于其自身构型特点及运动形式,使得在崎岖复杂地形环境下行走极具挑战性。本文针对四足机器人在崎岖复杂地形条件下自主导航的需要,深入研究基于光传输时间(Time Of Flight,TOF)三维激光相机的地形感知算法及借助地形信息规划四足机器人运动步态的算法,为提高四足机器人在复杂环境下运动性能提供解决方案。四足机器人根据TOF相机采集的三维点云地图来规划步态,一帧点云视野较小,无法满足导航需要。从拼接两帧在不同位置采集的三维点云数据入手,在充分分析TOF相机优势的基础上,研究基于灰度图像的两帧三维点云拼接算法。预处理灰度图像,提高图像的对比度后,研究尺度不变特征点提取和匹配算法及无效三维特征对滤除算法;根据三维特征对估计与两帧点云相关的初始相对位姿,在此基础上研究基于迭代最近点算法的两帧三维点云拼接。机器人运动过程中通过采集TOF数据对机器人六自由度位姿进行定位,连续采集多帧数据,仅仅依靠相邻两帧对机器人连续定位会产生误差累积。研究基于图结构的多帧数据位姿优化问题,通过帧间配准来从任意两帧数据之间生成三维点对是位姿优化前提;构建基于三维特征对的分层索引结构,该结构可以有效提高帧间配准精度和匹配效率,帧间配准精度直接决定位姿优化效果;位姿优化同时需要任意两帧数据对应的相机位置之间相对位姿估计精度,为此在帧间配准后,研究基于隐式函数的闭式估计相对位姿精度算法。四足机器人在崎岖地形环境下运动,必须具备判断落足点优劣的能力,否则会产生足端滑动。对TOF相机给出的三维点云进行处理,建立基于栅格的2.5D高程地图,栅格作为落足点选择的最小单位;建立四足机器人模型,根据模型研究默认落足点位置计算方法;计算栅格处地形法向量和曲率,结合足端地形特征及与默认点位置关系构建落足点代价函数;在以默认点为中心矩形区域内落足点由11维特征向量表示,代价值由权值向量与特征向量的内积决定;研究基于机器学习策略的权值向量计算方法,在仿真环境下由专家指导落足点排序,再用支持向量机通过训练数据学习出权值向量。为了在复杂地形运动,四足机器人不仅要具备落足点选择能力,而且还要具备路径选择及步态规划的能力。研究机器人二维体心路径选择问题,从机体覆盖区域提取台阶高度、坡度、粗糙度等三种地形特征,结合默认落足点平均代价生成总代价地图,设计启发函数,在总代价地图上搜索二维路径;在二维体心路径基础上搜索静步态序列,采用递归回溯策略向前试探多步进行搜索;每一步机器人状态由落足点、横滚角、俯仰角和体心与地面高度差决定,并判断到下一状态机器人可达性,包括运动过程碰撞检测及运动学约束满足检测等。最后,将基于TOF相机的视觉感知算法和四足机器人静步态规划策略集成于真实四足机器人。标定TOF相机与机器人体心坐标系之间关系后,进行四足机器人在有无TOF相机作用下直线行走对比实验,说明基于TOF相机的机器人定位算法的有效性。随后进行四足机器人跨越木台实验,说明地形感知、定位、落足点选择及静步态规划算法应用于真实四足机器人的可行性,四足机器人在崎岖地形行走过程表现出良好的稳定性和适应性。