本书系统研究了移动机器人自主控制问题，着重研究了各种人工智能理论与方法在移动机器人自主导航与路径规划、机器人视觉与环境感知、机器人同步定位与建图、多机器人协作等方面的具体解决思路，并给出实验结果和分析。全书分为8章，包括绪论、移动机器人导航、移动机器人路径规划、机器人视觉技术、机器人环境感知、机器人同步定位与建图、多机器人协作以及移动机器人自主控制进展与展望。

机器人作为20世纪人类最伟大的发明之一，自20世纪60年代初问世以来，已成为家喻户晓的“大明星”。机器人的发展非常迅速，在促进工业生产和提高生活品质等方面占据着极其重要的地位并发挥着积极的作用。机器人学是一门高度交叉的学科，涉及机械、电子、计算机、自动控制、人工智能、生物及人类学等众多领域。机器人技术是多种学科综合发展的成果，代表高技术前沿。移动机器人是机器人领域一个重要的研究分支，也是当前研究热点之一，其应用范围已从简单的工业生产扩展到家庭服务、灾难搜救、医疗诊治、海洋勘测、太空探索等多个方面。 目前，移动机器人的研究已经得到广泛关注，有不少研究成果问世，但已出版的相关著作，有的是针对移动机器人的某一专题进行阐述的，如机器人同步定位与建图等，有的则重点探讨移动机器人自主控制的相关基础知识，如机器人运动建模等。本书的主要目的是希望借助移动机器人自主控制中关键问题的解决，探讨人工智能理论与方法在移动机器人中的应用，从而期望读者能通过具体问题的解决，进一步深入理解移动机器人自主控制的关键问题，以及人工智能在移动机器人领域的应用。 本书是在作者及其团队近几年研究工作的基础上写作而成的。自2012年以来，在相关研究领域，作者先后得到了国家自然科学基金（61203365、61873086）、江苏省自然科学基金（BK2012149）等项目的资助。在上述项目的支持下，作者搭建了各种移动机器人实验环境，先后在国内外高水平期刊上发表多篇论文，这些成果构成了本书的主要内容。在此向所有参与研究的团队成员、有关部门、期刊及其审稿人等表示感谢并致以敬意。 在研究和本书的写作过程中，得到了许多老师和同行的帮助。感谢加拿大圭尔夫大学杨先一（Simon X. Yang）教授、英国埃塞克斯大学胡豁生（Huosheng Hu）教授在作者访学期间对移动机器人自主控制相关问题解决方法给予的启发和指导。团队中的范新南教授、朱金秀教授等在作者的研究和本书的编写过程中提出了许多建设性意见，作者的博士生陈颜、唐广翼、王啸天、赵泳浩等为本书部分实验进行了代码测试以及书稿的校对，在此一并表示感谢。在本书的编写过程中所参考的文献已尽可能一一列出，如有遗漏在此表示歉意，并向所有文献资料的作者表示衷心的感谢。 移动机器人自主控制研究日新月异，新的理论和方法不断涌现，而作者水平及所了解的情况有限，因此书中难免有不少欠妥乃至错误之处，恳请广大读者和专家批评指正。 作 者 2023年5月

目 录 第1章 绪论 1 1.1 移动机器人简介 1 1.1.1 移动机器人的定义 1 1.1.2 移动机器人的组成 2 1.1.3 移动机器人的特点 4 1.2 移动机器人的关键技术 5 1.2.1 环境感知 5 1.2.2 导航与路径规划 6 1.2.3 机器人视觉 7 1.2.4 同步定位与地图构建 7 1.2.5 多机器人协作 8 1.3 移动机器人的研究进展 8 1.3.1 移动机器人的发展历史 8 1.3.2 移动机器人的研究展望 10 1.4 本书的主要内容和结构安排 12 1.5 本章小结 13 参考文献 13 第2章 移动机器人导航 16 2.1 移动机器人导航概述 16 2.1.1 移动机器人导航的发展历史 16 2.1.2 移动机器人的常用导航方式 17 2.1.3 传统导航方法简介 18 2.2 基于改进强化学习的移动机器人导航 20 2.2.1 强化学习概述 20 2.2.2 基于生物刺激神经网络改进Q学习算法的移动机器人导航 23 2.2.3 实验及结果分析 27 2.3 模糊控制与虚拟力场法相结合的移动机器人导航 30 2.3.1 虚拟力场法简介 30 2.3.2 基于模糊控制改进虚拟力场法的移动机器人导航 33 2.3.3 实验及结果分析 37 2.4 本章小结 41 参考文献 42 第3章 移动机器人路径规划 44 3.1 移动机器人路径规划概述 44 3.2 传统路径规划方法简介 45 3.2.1 构形空间法 45 3.2.2 可视图法 45 3.2.3 栅格法 46 3.2.4 拓扑法 47 3.2.5 概率路径图法 48 3.3 基于人工蜂群算法的移动机器人路径规划 49 3.3.1 人工蜂群算法简介 49 3.3.2 基于改进人工蜂群算法的路径规划方法 50 3.3.3 实验及结果分析 54 3.4 基于蛙跳算法的移动机器人路径规划 57 3.4.1 蛙跳算法简介 57 3.4.2 基于改进蛙跳算法的路径规划 58 3.4.3 实验及结果分析 60 3.5 基于文化基因算法的路径规划 63 3.5.1 文化基因算法简介 63 3.5.2 基于改进文化基因算法的路径规划 64 3.5.3 实验及结果分析 68 3.6 本章小结 72 参考文献 72 第4章 移动机器人视觉 74 4.1 移动机器人视觉技术概述 74 4.1.1 机器人视觉技术简介 74 4.1.2 移动机器人视觉技术的发展概况 75 4.2 基于改进ViBe的运动目标检测 76 4.2.1 改进ViBe算法的原理 77 4.2.2 实验结果与分析 80 4.2.3 基于I-ViBe的运动目标检测的背景更新机制和实时性 84 4.3 基于KCF的运动目标跟踪 85 4.3.1 基于改进KCF的运动目标跟踪 86 4.3.2 实验结果与分析 91 4.3.3 SLKCF跟踪算法在复杂环境中的性能 95 4.4 本章小结 96 参考文献 97 第5章 移动机器人环境感知 100 5.1 移动机器人环境感知概述 100 5.1.1 环境感知的主要任务 100 5.1.2 移动机器人常用环境感知传感器 101 5.2 基于改进ORB的场景特征提取与匹配 104 5.2.1 图像特征提取与匹配算法简介 104 5.2.2 改进ORB特征提取与匹配算法 108 5.2.3 实验结果与分析 109 5.3 半稠密地图的构建 113 5.3.1 像素筛选策略 114 5.3.2 逆深度估计 115 5.3.3 基于图像金字塔的逆深度传递 117 5.3.4 实验与结果分析 119 5.4 基于深度神经网络的移动机器人道路场景分类 120 5.4.1 改进的场景分类深度神经网络 121 5.4.2 实验与结果分析 125 5.4.3 关于局部特征提取和全局特征提取的讨论 129 5.5 本章小结 131 参考文献 131 第6章 移动机器人同步定位与建图 134 6.1 移动机器人同步定位与建图概述 134 6.1.1 移动机器人定位概述 134 6.1.2 移动机器人地图建模概述 139 6.1.3 移动机器人SLAM概述 141 6.2 基于改进扩展卡尔曼滤波的移动机器人SLAM算法 144 6.2.1 算法描述 144 6.2.2 仿真实验和结果分析 147 6.3 基于改进生物启发方法的移动机器人SLAM算法 151 6.3.1 算法描述 151 6.3.2 室内移动机器人SLAM实验 157 6.4 基于深度学习的移动机器人语义SLAM算法 163 6.4.1 移动机器人语义SLAM算法概述 163 6.4.2 基于卷积神经网络的移动机器人语义SLAM算法 168 6.4.3 实验及结果分析 172 6.5 本章小结 175 参考文献 175 第7章 多机器人协作 179 7.1 多机器人协作概述 179 7.1.1 多机器人协作的研究进展 179 7.1.2 多机器人协作的主要研究内容 183 7.2 基于自组织神经网络的任务分配算法 184 7.2.1 任务分配问题描述 185 7.2.2 任务分配算法 185 7.2.3 实验及结果分析 187 7.3 基于动态生物刺激神经网络的多机器人系统编队 190 7.3.1 编队问题的描述 191 7.3.2 基于动态生物刺激神经网络的多机器人系统导航 193 7.3.3 编队仿真实验及结果分析 195 7.4 基于精确势博弈的多无人机协同覆盖搜索 199 7.4.1 多无人机协同覆盖搜索概述 199 7.4.2 势博弈方法概述 200 7.4.3 基于精确势博弈的多无人机协同覆盖方法 202 7.4.4 实验及结果分析 207 7.5 本章小结 213 参考文献 213 第8章 移动机器人自主控制进展 218 8.1 移动机器人自主控制的研究进展 218 8.1.1 基于生物启发式算法的移动机器人自主控制 218 8.1.2 基于深度神经网络的移动机器人自主控制 225 8.2 基于改进脊椎神经系统的异构多AUV协同围捕算法 232 8.2.1 异构多AUV协同围捕问题描述 232 8.2.2 异构多AUV协同围捕算法 234 8.2.3 实验和结果分析 238 8.3 基于改进肉芽肿形成算法的移动机器人故障自恢复算法 245 8.3.1 移动机器人故障自恢复问题描述 245 8.3.2 机器人故障自恢复方法 248 8.3.3 实验及结果分析 256 8.4 本章小结 264 参考文献 264