随着计算机和机器人技术的发展，人们对于机器人的性能要求也在不断提高，现代机器人已经不再象早期局限在工业制造自动化方面，而是广泛地应用在军事、民用、科学研究等各个领域。它们的工作环境也从单纯的室内环境变成了今天的各种环境，包括天空、地下、水下、地面等。其中地面作为人类大部分活动的场所，地面移动机器人的研究从很早开始就得到了广泛的研究。在军事上，地面移动机器人可以在危险地带代替人类完成侦察、排雷等任务；在民用方面，不仅可以作为自动或辅助驾驶系统来减少交通事故，还可以作为智能轮椅帮助残疾人士等等；在科学研究方面，地面移动机器人可以在外星从事勘探和采矿等工作。地面环境基本可以分成室内和室外两类，这两类环境非常不同，室内环境一般比较狭窄，光照、景物等外部环境都比较恒定；室外环境一般比较开阔，光照、景物等外部环境随时间、天气、季节、地理位置等变化比较大，因此室外移动机器人一般需要比室内移动机器人具有更多智能。 本文主要研究了基于计算机视觉的移动机器人导航的一些关键技术：比如道路图象理解、立体视觉障碍物检测、以及局部地图的生成和融合。对于行驶在道路环境中的移动机器人来说，导航一般有两个要求：首先机器人必须保持行驶在道路区域中，其次必须避开道路上的障碍物。因此，基于计算机视觉的移动机器人导航，必须首先能够确保准确、及时地检测出道路区域和障碍物，同时考虑到摄象机有限的视野以及可能存在的检测错误，因此为了能够提供包含足够信息的关于周围环境的数据，给后级的多传感器融合模块或局部路径规划模块使用，局部地图的数据结构、融合以及如何在这样的地图上实现规划，都必须加以考虑。 首先为了能够准确、鲁棒、及时检测道路区域，在总结前人的工作基础上，本文提出了一种利用不确定推理的实时彩色道路图象理解算法。考虑到道路环境的复杂多变的特点，因此图象特征也是随着环境而不断在变化的，很难发展出一种能够普适的图象处理算法适应所有环境，因此本算法首先利用多个特化的检测算子分别对于道路环境中常见的干扰做专门的处理，这样对于每个特化的检测算子只需要考虑要检测的目标，问题可以大大简化，然后利用不确定性推理来融合各个算子的处理结果。由于这些算子是在像素级进行处理和识别的，因此缺乏全局信息，但是像素级识别结果可以提供我们关于道路/非路在彩色特征上分布的知识，因此可以通过检测道路/非路边缘来获得更加精确的道路边界。利用Intel公司的MMX技术和高性能DSP通用图象处理板相结合，算法可以在一台PⅢ550的工控机上实时实现，其中结构化道路处理时间小于100ms，一般道路处理时间小于160ms。 其次，为了能够检测道路环境中的一般障碍物，目前国际上比较多地使用立体视觉来检测可疑障碍物边缘的高度和距离，也已经有许多成功的应用。但是立体视觉障碍物检测算法还有许多问题需要解决：首先立体视觉需要非常大的计算量，因此算法能否实时实现，如何实现是一个非常重要的问题；其次，匹配作为立体视觉的一个关键部分，如何解决匹配的歧义性是一直难以解决的一个问题，虽然CMU的实验证明多基线的方法可以减少匹配的歧义性，但是由于增加一个摄象机就意味着需要占用更多的计算资源来处理这幅摄象机得到的图象，而为了尽可能减少视觉系统总的摄象机数目，我们使用一个彩色摄象机和两个黑白摄象机来共同构成三目立体视觉，这些摄象机的成像显然是不一样的，因此匹配时必须考虑这一因素。考虑到这些问题，本文利用三目立体视觉来减少匹配歧异性；为了快速准确地恢复障碍物边缘的高度和距离，使用一个分层的匹配算法。由于三目立体视觉需要处理三幅图象，而且往往需要大量浮点矩阵运算，因此我们考虑了使用Intel的SSIMD 浙江大学博士学位论文扩展指令集来加快浮点矩阵运算的实现可能性。 本文最后介绍了如何建立道路区域局部地图。考虑到摄象机等传感器具有的有限视野，检测结果的不确定性，本文首先定义了符合摄象机特点的局部规划用地图的数据结构，并且通过介绍如何融合彩色道路图象理解、立体视觉障碍物检测以及以前的历史数据，给出了一个利用这样定义的地图数据结构来融合多传感器的示例，最后给出了一个如何在这样的地图上做局部路径规划的简单示例。