自二十世纪九十年代初以来，许多研究人员一直致力于设计能够用于气体源或烟雾源定位任务的机器人系统，即嗅觉机器人。嗅觉机器人利用各类气体浓度传感器、烟雾颗粒物分布密度传感器作为其嗅觉输入，通过攀爬浓度梯度或模仿生物行为等方式，进行气体源、烟雾源的搜索与跟踪。在现有的研究工作中，嗅觉机器人普遍应用于搜索有毒气体挥发源、可燃气体泄漏源，它们使用挥发性有机化合物传感器来测量气态化学物质(例如气态甲醛、笨、乙醇或丙酮)的浓度，以定位气态化学挥发物源。但是，在许多情况下，例如材料燃烧，甚至更为严重的火灾中，燃烧的烟雾源不会释放可被有机化合物传感器检测到的气态化合物，而是会向空气中释放固态的烟雾颗粒物，常用的挥发性有机化合物传感器无法检测到它们。解决机器人烟雾源定位问题需要实质性地改变传感技术，并有针对性的设计烟雾源定位算法。此外，烟雾源定位任务多发于建筑物室内环境，室内气流场、烟雾羽流分布、机器人的移动都会受到室内结构、障碍物的制约。由于以上难点，嗅觉机器人在室内环境进行烟雾颗粒物源定位的研究仍处于早期阶段。
　　为解决上述问题，本文对轮式移动机器人在多种室内环境下的烟雾源定位算法进行了研究。主要研究成果可以归纳如下：
　　为了通过实际的机器人实验在真实环境中验证相关算法，搭建了两个烟雾源定位机器人。通过全面的传感器调研与选型，选择了烟雾颗粒物传感器攀藤PMS7003搭载在机器人上。对烟雾颗粒物传感器的传感模式进行了详细的研究与分析。部署了两种烟雾源定位室内实验环境，包括风洞环境和实验室环境，以进行系统的机器人实验。
　　针对环境参数已知的空旷室内环境中烟雾源位置推断的问题，根据烟雾颗粒物羽流的传播特性，结合本文所使用的烟雾颗粒物传感器的多传感模式，提出了基于信息趋向的烟雾源定位算法及若干种多模式概率图变体。通过仿真对比，确定了基于加权多模式概率图的融合策略的算法变体性能最优。在80m2的风洞内，应用该算法在多种环境条件下推断烟雾源位置，结果表明，烟雾源定位误差距离的中值小于1m。
　　针对环境参数未知的空旷室内环境中追踪烟雾羽流路径的问题，基于泛化的烟雾羽流路径模型，提出了一种基于局部感知窗粒子滤波的烟雾羽流路径追踪算法。该算法可以通过在每个迭代中搜寻最大信息增益，来引导搭载了烟雾颗粒物传感器和气流方向传感器的移动机器人在室内通风环境中追踪烟雾羽流路径。结合一种改进的萤火虫算法，在该算法的基础上引入了仿生的趋风性行为。这种改进提高了算法的成功率，并降低了计算量。在模拟的风洞环境中，烟雾源的平均定位误差约为0.78m。在风场不均匀分布的实验室环境内，机器人应用该算法跟踪烟雾羽流，结果表明，机器人运行至距离烟雾源0.5m以内的成功率可达90%。
　　针对有障碍物的复杂室内环境或多房间环境中搜索烟雾源的问题，结合深度卷积神经网络，提出了一种基于深度Q网络的烟雾源搜索算法。建立了用于烟雾源定位任务的模拟环境，并提出了一种烟雾冲击分布模型，用于训练深度Q网络，引导机器人在不同状态下采取期望未来累积奖励最大的动作。该算法通过高保真的气味传播模拟器GADEN在多种复杂的室内环境下得到验证，结果表明，该算法能够引导机器人在避开障碍物的同时寻找到烟雾源，算法的平均距离开销率约为1.502。
　　最后提出了本文的结论，并对今后的研究工作进行了展望。本文成果可使用于各种复杂程度的室内环境，如住宅、厂房、实验室、仓库中材料燃烧烟雾源的定位，其中基于信息趋向的算法适用于已知室内地图的空旷环境，基于局部感知窗粒子滤波的算法适用于未知室内地图的空旷环境，基于深度Q网络的算法适用于存在障碍物及多房间的环境。