一般智能移动机器人应具有在室内外环境下进行作业的能力,然而采用地图融合技术的路径规划方法区别很大。室外环境的地图信息已知,路径规划所需要的路径节点信息都已提前采集完毕,只需使用智能路径规划算法就能实现高精度导航;然而室内环境未知,且室内车载定位信号差,需要机器人创建室内环境地图并完成室内路径规划。同时,采用云平台技术解决多机器人之间的服务调度问题难度也很大。为此,本论文研究了基于点云融合的机器人室内外路径规划及服务调度技术,其中改进A*算法的室内三维路径规划方法、提出的多机器人服务圆形区域搜索(Circular Area Search,CAS)算法具有创新性,解决了智能移动机器人的室内外路径规划和多机器人服务调度的问题,为智能移动机器人导航及服务调度关键技术奠定了基础。主要研究内容如下:首先,选择基于特征提取的方法进行点云地图融合,融合过程包括点云法向量的求取、FPFH特征直方图的建立、使用配准算法进行配准。在点云融合阶段,采用采样一致性(Sample Consensus Initial Aligment,SAC-IA)粗配准算法求取初始变换矩阵,提高了迭代最近点(Iterative Closest Point,ICP)算法点云地图配准准确率;采用KDTree数据结构分别对SAC-IA算法和ICP算法进行了加速,有效减少了两算法的配准时间。然后,针对融合后室内点云地图数据量大的问题,采用八叉树结构的地图格式来简化室内点云地图,以此来减少室内地图路径规划的时间消耗;使用A*算法作为室内地图路径规划算法,针对传统A*算法将机器人看成理想点的问题,本文改进了A*算法,考虑机器人尺寸,保障机器人在移动过程中自身及周围环境的安全;在室外路径规划阶段,采用高德地图API作为机器人室外路径规划的开发平台。最后,将机器人的路径规划应用于多机器人服务调度,提出了一种新的CAS多机器人服务调度算法,它使用云平台作为中间处理平台,SOA作为服务架构模型。CAS算法把不同的智能移动机器人封装成各个粒度服务,以服务申请者为服务搜索圆心,服务的类型和经纬度为服务搜索指标,最短距离和评分参数为最优服务筛选指标,采用逐渐扩大搜索范围的方式来获取最优服务,并对CAS算法进行了仿真验证和对比分析。