机器人技术是代表现代科技发展的一项综合技术,包括了信息化技术、智能化技术、机械自动化技术等等。随着社会的发展技术的演进,人工智能技术的研究成为了现如今的一个热点方向。基于人工智能机器视觉的同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法采用了双目或深度相机进行类似人眼一样的数据采集并对其分析处理,为机器人更加智能的导航和交互提供了有效输入。运动规划算法则有更悠久的历史,这些年来新的解决方案不断问世为机器人自动化领域提供了丰富的算法参考。这些技术在无人驾驶、智能制造、无人机等领域的应用十分广泛。本文主要研究了当前SLAM算法的基本原理,提出了融合深度视觉与惯导传感器的SLAM系统,相比于单传感器SLAM系统而言提高了定位精度。还提出了基于生长型四叉树的二维投影建图算法,设计了适配SLAM框架输出的A*路径代价计算方法,完成了机器人从定位建图到机器人路径规划的完整系统搭建。从实验来看,本文方法提高了定位精度和建图效率,改进了机器人的导航算法。本文主要的内容如下:1.现有未进行传感器融合的SLAM方案对于误差的估计精度有限,且鲁棒性差。在移动迅速的场景下利用IMU传感器会有更高的精度,视觉传感器无法得到清晰的视野图像以供计算。在运动较为平稳缓慢的情况下,IMU传感器由于具有漂移的缺点,会在静止状态下产生数据,增大了位姿计算的累积误差。为了更好的提高系统鲁棒性和精确度,本文进行了融合惯性和视觉传感器的SLAM相关研究,针对这个课题设计了一种新型的紧耦合策略,利用滑动窗口法和光束平差法对位姿进行了优化。经过实验验证,本文所述方案的精确性和鲁棒性都得到了一定提高。2.目前,视觉机器人的同时定位与地图构建算法的建图部分主要采用了三维八叉树地图。虽然其地图存储容量较大,但是地图范围无法实时扩大,且室内场景中常见的动态事物也因为忽略了大噪声点而难以进行处理。为此,本文提出了新的基于生长型四叉树结构的实时网格二维地图构建方法,将三维体素地图降维为二维网格地图,增加了对动态特征点轨迹的预测,在无损三维空间信息的情况下丰富了导航地图携带的环境信息。真实室内场景的实验表明本文算法能够在地图中较为精确地显示障碍物的位置信息,显著地降低了地图存储空间,提高了建图速度。3.经典路径规划算法A*算法由于代价评估函数的设置以及节点搜索策略的不同,有时不能得到全局最优解。在路径规划的过程中折线点也会对导航效率造成影响。另外与SLAM算法输入相适配的路径规划算法还未有紧耦合的系统出现。针对以上这些问题,本文利用新的地图抽象原理设计了一种节点栅格地图构建方法,并将其与视觉SLAM适配的改进型A*路径规划算法进行耦合。最后又利用三次B样条曲线对路径进行了平滑。本文方法提高了机器人在位移时的效率,增强了视觉SLAM机器人的行动决策能力。4.本文的实验部分首先验证了惯性视觉传感器融合下的SLAM具有更好的精度和鲁棒性。其次建立了可供地面机器人导航的二维地图。最后完成了视野内的路径规划和避障算法的设计,使机器人可以在陌生的室内环境中探索并绘制环境地图。本文形成了一套完整的机器人导航方案框架,通过大量相关实验,证明了算法的优越性。