随着计算机网络技术和人工智能技术的发展突破,低速无人驾驶设备飞速发展,扫地机器人、配送机器人、消毒机器人等广泛应用于家居、商超、酒店、医院等环境中。对于移动机器人来说,构建地图是机器人自主导航以及执行任务的第一步,然而,目前机器人建图仍较多依赖于遥控操作以及人为决策,如何让机器人独立探索环境并完成建图是机器人走向智能化的关键一步。本课题以室内环境下的应用为背景,研究机器人更加高效、智能的自主探索方法,提升机器人在室内场景下的探索效率。首先,室内环境结构变化丰富,空旷区域很容易超出传感器的感知范围,机器人在探索空旷区域时往往无法有效更新建图信息,导致机器人徘徊不前,探索效率较低。为了解决这一问题,本文基于边界点的收益函数模型以及测距仪的波束模型,提出一种融合路径信息丰富度的自主探索算法。通过预估机器人移动到边界点的过程中感知到的环境信息,并结合边界点处的信息增益、环境信息以及路径成本综合评估机器人到达每个边界点的行动,使机器人尽量选择环境信息更加丰富的边界点,避免选择中部的环境信息不丰富的边界点而造成的徘徊问题,从而来提高机器人的探索效率。其次,当前的探索策略大多依赖于独立边界点的收益函数模型,机器人在探索过程中主要采用贪婪策略,选择每时刻收益值最大的边界点进行探索,忽视了环境的几何连续性。机器人在完成一个几何连续区域（如一个完整的房间）之前,往往会转向另一个区域,导致机器人的无序运动。受仿生人类感知规律的启发,本文利用环境的语义信息作为启发来指导机器人的探索,并提出了一种基于启发式偏置采样的机器人探索策略。首先,本文基于YOLO（You Only Look Once）物体检测网络进行改进,得到了一个轻量化模型,用于启发式物体识别。其次,基于识别到的启发式物体的位置进行建模,构建一个几何连续区域以近似表征实际的房间区域,然后利用基于偏置采样的快速搜素随机树的方法提取该区域的边界点。最后,设计启发式信息收益模型来确定要探索的目标边界点,目标点将引导机器人进入启发式区域进行探索,并在将该区域探索完整后才去别的区域探索,这样极大地减少了回溯现象,提高了探索效率。最后,为验证算法的可行性和有效性,本文搭建了移动机器人实验平台,在gazebo仿真环境和实际场景下对提出的自主探索算法进行验证。通过改变环境的复杂程度,设计不同的实验场景,测试所提出的自主探索系统在不同场景下的表现,从机器人探索完整个环境使用的时间、走过的路径长度、地图熵减的速度变化曲线、探索轨迹这四个指标对机器人的探索性能进行评价。实验结果证明,本文提出的方法可以更加高效地完成环境探索,减少探索过程中的回溯现象,提高了探索效率。