自主导航是室内机器人实现自决行为规划的核心问题,相对复杂条件下的环境感知,基于多传感器融合成为新的发展趋势。本课题以机器人平台为工程应用背景,期望将深度学习引入人工智能领域,开展相关机器人技术在自主导航中的方法研究,开发集机械平台、嵌入式硬件、软件系统、SLAM算法、场景识别方法于一体的机器人综合系统框架,结合多传感器融合的环境信息,实时指导路径规划,不仅提供室内机器人自主导航的可行方法,对促进该领域语义地图的发展也具有一定积极意义。本文主要内容如下:研究并设计满足自主导航条件的机器人综合系统框架,包括集主动感知、语音输入、运动控制等的机械平台,集IO驱动、数学运算库、机器人控制、运动学和动力学模型等的嵌入式硬件结构,集环境感知与执行、移动终端、中间层连接、分布式架构、任务算法等的机器人系统。研究适用于ROS环境的多传感器融合SLAM算法:融合超声、RGBD、激光雷达数据,基于Gmpping建立二维栅格地图,通过自适应蒙特卡洛定位,导航时采用A*算法实施全局探索,并辅以动态窗口法进行局部避障。实验证明所创建地图分辨率为2cm,并能指导机器人进行室内导航。提出一种混合IMU的里程计实时校正算法:基于扩展卡尔曼滤波和互补滤波融合获取姿态角,修正机器人方位信息;定时比较里程计位移与二次积分加速计数据,防止机器人运动漂移及悬空。相关传感器经过零漂校准后,融合实验数据精度高、收敛速度快,并能校正里程计丢失现象。提出一种用于路径规划的方向A*算法:首先采用“视野线”平滑原则优化路径,消除锯齿效应并避免部分碰撞;其次应用“圆弧-直线-圆弧”转弯策略,避免机器人本体宽度影响;最后基于二叉堆加速算法,提升算法计算效率。仿真实验结果表明,方向A*算法满足平滑要求且能有效避免碰撞,其加速方法可平均提速4-7倍。同时,机器人在真实实验环境下实现安全自主导航,跟踪误差小于0.15m,验证了方法的可行性。提出一种基于语义建图的场景分类方法:首先映射深度信息构建二维栅格地图,自主规划场景识别路径;其次基于卷积网络建立场景分类模型,实时识别脱离特定训练;最后利用贝叶斯框架融合先验知识,修正错误分类并完成语义建图。实验结果表明,机器人能够进行全局自主探索,实时判断场景类别,并创建满足要求的三维语义地图。同时,在实际路径规划中,机器人可以根据语义信息改善导航行为,验证了方法的可行性。