移动机器人发展至今已呈现出巨大的实际应用价值以及丰富的多样性。其中无人机具有轻巧敏捷等特性,轮式履带式具有优秀的带负载能力,而腿足式机器人因为在实际运动过程中只需要离散的落足点,因而具备在复杂地形中行驶的强大越障能力。支撑移动机器人实际运行所需环境信息的是其所搭载环境感知系统,其通常由多传感器协调完成环境信息的处理。通过处理视觉系统获取的环境信息,为移动机器人运动策略、路径规划、避障算法等问题提供解决依据。随着移动机器人及其视觉领域的不断发展研究,其研究重点已由移动机器人的结构设计、运动稳定性分析、环境信息获取的实现过渡到如何提高移动机器人在复杂环境中的适应能力,移动机器人对环境信息的感知鉴识能力及自主能动性等领域。为构建并优化针对移动机器人的视觉系统,本文对移动机器人在复杂环境条件下的环境感知系统构建、路径规划、地形预测、地形分类等内容进行了全面而详细的研究,主要内容如下:(1)提出了ADFA*算法。该算法适用于栅格地图可广泛应用于各式移动机器人解决其路径规划问题。为了提高路径规划算法的运算效率、减少遍历栅格数、实现避障策略并限制运算时间成本,本文在传统的A*算法的基础上进行改进,并分别提出了利用路径拼接的DA*算法、通过增设栅格障碍等级以实现避障的FA*算法及更具实际应用价值且时耗受限的ADFA*算法。DA*算法在初始时刻利用传统的A*算法获得初始路径并在初始路径上筛选出复合标准的路径节点以将初始路径进行分段处理。当地形信息产生变化时,DA*算法并不需从初始起点重新进行路径规划,而是将最接近目标点的路径分割节点作为起始点进行路径规划。从而大大减少了 A*算法的遍历栅格数以提高规划效率。FA*算法在A*算法的基础上,引入对应各障碍节点的障碍等级F以实现对障碍物所处栅格节点的扩张,这种方式为特殊环境下人为调控避障安全等级提供了便利。其优势在于尽可能不改变原定路径的同时实现障碍扩张以确保移动机器人机体安全。ADFA*通过引入参数ε以限制评价函数的启发式部分,以达到控制算法时耗的目的。在webots等环境下的仿真实验证实ADFA*算法的遍历网格数明显少于A*算法,其搜索效率是A*算法的7倍以上。(2)提出了基于C-terrain地形带的地图构建方法,并以此为基础提出一种地形预测方法。本文基于栅格地图进行区域划分,通过对比不同区域的相似关系,提出了一种快速准确的地形分类方法C-Terrain。基于完整的路径规划,该方法首先在初始时刻获得一组有序的通过节点。然后根据地形带的选择及评价函数的参数调整,获得影响函数值的有序序列。最后利用机器学习的回归方法来完成对路径和位置地形的预测,并能实现对未知的路径和地形进行预测。实验利用10组5万帧地形数据进行预测仿真,结果证明C-Terrain地形预测方法的准确率在90%以上,算法具有很高的实用价值。(3)提出了HMC地形帧分类方法。在实际处理过程中,机载视觉系统得到的一系列的连续地形帧不会发生突变。基于这一特点,本文针对点云地形帧分类问题,提出了一种HMC(HMARF-MAP-CNN)地形帧预测分类方法。该方法利用历史地形数据对未知地形帧进行分类预测,以便于移动机器人进行步态切换及运动补偿。首先根据栅格地图的存储结构特点,针对性地利用隐马尔可夫随机场(HMRF)及最大后验(Maximum a Posteriori)将地形帧分为平坦地形及崎岖地形。然后利用CNN,对隶属崎岖地形的地形帧进行筛选,可细分为崎岖地形及系统误差崎岖地形(systematic-errors-caused)。该地形分类方法能够快速有效的实现对地形帧的预测与分类,具有足够高的分类精度,能够及时地为移动机器人的步态切换提供充分的依据。仿真实验证明,在不考虑训练成本的前提下HMC与HM方法的分类精度均达到了 89%以上,而且当处理复杂地形帧数据时,HMC的分类精度均达到了 91%以上。由此可见,本文提出的HMC复合地形帧分类方法能有效解决点云地形数据的分类问题且具有更强的稳定性。