当今世界,计算机相关技术不断变革,人工智能算法也在不断更新,这些都促进着机器人技术的发展,其相关应用也逐步进入人们的日常生活,是众多学者的热门研究方向。而且在物流、餐饮、家务这些领域,服务机器人也具有巨大规模的市场前景。因为这些服务机器人都需要具备最基本的移动能力,所以如何使移动机器人拥有更好的自主感知和行为决策能力,成为目前广大学者的研究焦点。SLAM(Simultaneous Localization And Mapping)技术的应用早在八十年代就被广泛推广,至今也衍生出很多种不同的技术路线。其出现的意义就是让机器人从当前位置移动到环境中某一目标位置的过程中,确保机器人能在当前环境中确认自身位置。而即时定位(Localization)就是SLAM中的关键一环,定位结果的精准与否直接决定机器人能否顺利完成其基本工作,因此高精度、高鲁棒性的实时定位,是实现移动机器人各类应用的基础条件。虽然在通常情况下目前主流的定位算法可以帮助机器人实现有效定位,但是在面对复杂场景时遇到的特殊情况,机器人的定位依然会出现问题。比如当机器人处在人流量较大,复杂多变或相似性过高的环境时,容易迷失自己的位置,无法及时进行位置更新;或是航程推演失真形成累积误差,造成位姿漂移;甚至机器人会被恶意“绑架”,其位姿会产生突变,最终使得机器人工作任务失败。因此当出现以上情况时,对于如何提高机器人的定位精度与定位效率,以及快速恢复其实际定位是本文研究的重点。而重新定位以修正机器人错误位姿的方法通常被称为重定位(relocation)方法。本课题针对以上移动机器人的定位和重定位问题,研究机器人在人流密集或环境动态性较强的复杂场景下融合多传感器数据与强化学习技术的SLAM算法。其中复杂场景包括:人流量大,障碍物复杂的教学楼大厅、环境时刻在发生变化的停车场、环境信息过于相似的长廊等,提出机器人仍能具有良好自主导航能力的SLAM算法,优化定位精度,提高定位效率,使其能在真实复杂的环境下也能保持良好的实时定位能力,并且能快速自适应动态环境。下面简单列举一下本课题的主要研究工作:1)对本课题的研究背景进行深入分析,并调研目前SLAM及移动机器人的国内外研究现状,分析当前本课题相关的研究热点及主流研究方向,对当前主流的机器人概率理论及SLAM技术调研分析,并研究其基本原理和实现方法,不仅能从中发现传统方法的不足及缺陷,还能给本课题的研究内容夯实理论基础。2)在YOLOv2物体检测模型的基础上,提出了一种可同时满足移动机器人运动实时性和识别准确性的改进方法,该方法首先检测环境中物体并获取语义信息。利用激光雷达感知多方位环境的信息,然后将得到的激光数据进行聚类,生成激光簇数据,与相机标定坐标系,赋予各个激光簇相对应的语义信息,生成具有语义标签的激光数据。通过这种数据融合技术,既保证了数据测量的准确性,又加强了观察到的环境信息的特征。最后通过在实际场景进行实验,验证了该方法的有效性,并据此搭建地标系统。3)提出一种利用地标物体的位置信息以及搭建的位姿推导模型来进行重定位的方法。该方法首先自主识别地标物体并获取其位姿信息,然后通过IMU记录机器人的偏转角信息,反向推算机器人当前的位姿。可不必移动机器人以及周围环境物体,也能完成位姿修正。最后通过与其他定位算法的对比实验,对本课题提出的方法进行了验证分析。4)在目前主流的SLAM方法中,里程计记录运动量数据的精准与否,直接决定了定位过程中预测模型的准确性。本课题利用强化学习的方式融合编码器数据、IMU数据、激光数据、视觉数据,将它们都作为里程计方法可选择的数据源。这样能让机器人在当前环境边运行边学习选择里程计的数据源,自适应各类动态环境,提高定位效率。将该方法应用于机器人导航任务中,并通过实验验证其定位能力。