智能移动机器人集传感器技术、控制技术、智能算法等于一体,在人工智能的浪潮下吸引了众多学者和工程技术人员的关注。实际上,早在几十年前,智能移动机器人相关研究就已经开始,并已被应用于水下作业、矿井探索、军事侦察和星际探索等复杂环境。近年来,随着生活水平的不断提高和科学技术的不断进步,服务行业和人工智能技术在当今社会的发展中交相辉映,服务机器人成为了智能移动机器人与人类社会交互的新名片。正如人离不开行走,而这些智能移动机器人的自主移动是体现“智能”的关键。移动机器人同步定位与构图(Simultaneous Localization and Mapping,SLAM)在实现机器人自主导航功能中发挥着重要作用,它为机器人提供环境地图和实时位置,是机器人执行路径规划、路径跟踪的前提。传感器是机器人感知外界环境的重要工具,对实现SLAM有着极其重要的作用。目前,应用在移动机器人中环境感知类传感器主要可以分为激光传感器和视觉传感器两大类。相比视觉传感器,激光传感器具有受环境干扰小、可直接提供描述环境几何信息的三维点云等优点,在扫地机器人、无人车等领域被广泛应用。着眼于激光传感器的应用前景与SLAM在导航领域的重要地位,为实现移动机器人的全自主导航,本文开展了基于三维激光点云的移动机器人同步定位与构图算法研究,主要研究内容和创新点有:(1)提出了一种密度自适应的激光点云特征(DALKO)。点云特征是高效理解环境的方式之一,它可表示了环境中一些特殊的几何形状,如:角点、线和平面等。点云特征可应用于点云配准、位姿估计以及SLAM算法的回环检测中。通过实验发现已有特征点检测算法对点云密度变化鲁棒性差,为克服该缺点本文提出了一种密度自适应的特征点提取算法。通过与现有激光点云特征提取算法对比,本文证实了提出算法的有效性。为描述特征点所处环境信息,本文提出了几何形状语境。与现有算法采用局部形状信息不同,它通过特征点之间的相对位置描述环境的几何信息。(2)提出了一种高效、精确的点云配准方法。将不同观测点收集的点云转换到相同视角下的过程被称为点云配准,该过程的关键在于求解观测点之间位姿的变化。因此,点云配准可用于机器人位姿估计。迭代最近点算法是点云配准中最为常用的算法之一。本文对基于迭代最近点(Iterative Closest Point,ICP)的点云配准算法进行了深入研究,尤其对ICP中点对剔除的策略进行了分析,提出了一种高效、鲁棒的点云配准算法,称为vanilla-R ICP(vanilla Iterative Closest Reciprocal Point)。通过实验可以发现,vanilla-R ICP的配准精度明显优于现有的其它启发式ICP算法,并且没有牺牲算法的计算效率。(3)实现了基于图优化的六自由度同步定位与构图算法。为保证构建地图的一致性,本文采用了图优化算法的基本框架,位姿图中的节点表示机器人位姿,边表示位姿之间的约束关系。本文并通过vanilla-R ICP算法构建位姿图中的边,并对vanilla-R ICP的协方差求解问题进行了深入研究,给出了两种vanilla-R ICP协方差计算方法。本文采用位姿距离和特征匹配相结合的方法以实现闭环检测,并采用Ceres优化库作为SLAM的后端负责整个位姿图的优化。经上述步骤,本文最终实现了一个基于图优化的六自由度同步定位与构图算法。该算法不仅在开源的数据上进行了测试,也被应用在移动小车平台中,构图结果证实了算法的有效性。