● 摘要
足式机器人比轮式机器人具有更强的地形通过能力，因此在灾难现场搜救、军事物资运输等领域具有广阔的应用前景。同时定位与地图创建技术（Simultaneous Localization and Mapping, SLAM）是智能机器人完成路径规划及其他复杂任务的前提和基础，近年来得到了广泛的关注和深入的研究。然而，足式机器人特殊的运动方式对SLAM 算法提出了更加苛刻的要求。目前面向足式机器人的SLAM 方法仍然面临着数据关联实时性差、对环境适应性低、障碍物检测困难等问题，本文针对相关问题展开了深入的研究。
首先，Kinect 传感器是2009 年面世的一款新的视觉传感器，它能够同时获取环境的彩色及深度图像，因此近几年基于Kinect 的应用呈现了井喷式的发展。本文选取Kinect传感器作为机器人观测所在环境的唯一传感器。然而，Kinect 采集的深度图像在物体边缘附近存在一定量的数据丢失，影响了机器人精确的定位与建图。本文充分利用Kinect能够同时采集彩色及深度图像的特点，提出了一种基于深度数据辅助的物体边缘检测方法；然后利用边缘检测结果，提出了基于物体边缘信息辅助的深度数据修复算法，实现了深度图像的精确修复，为后续的定位与建图奠定了基础。
其次，数据关联是指机器人如何将不同时刻观测的数据进行配准，并计算出两帧数据间的姿态变换矩阵，是机器人实现定位的前提。针对现阶段数据关联方法实时性差的问题，提出了基于感兴趣区域的ICP (Iterative Closest Point) 数据关联方法。通过引入感兴趣区域，减少了匹配数据点的数量，从而提高了算法的计算速度；由于所提取的感兴趣区域中包含足够的环境特征，因此在减少匹配数据点数量的情况下保证了算法的精度。最终实现了机器人的快速SLAM。
再次，当前的SLAM 算法要么仅适用于结构化的环境，要么仅适用于非结构化的环境。针对现有SLAM 算法对环境适应性低的问题，提出了一种适用于多种复杂环境的SLAM 方法。通过引入环境中的三维直线特征，对经典的KinectFusion 算法进行了改进，在保留原算法在非结构化环境中卓越性能的前提下，使其能够同时应用于高度结构化的环境。此外，本文将提出的直线误差函数与原算法中的点误差函数进行了统一，从而降低了求解的难度，并保证了算法的计算速度。
然后，针对足式机器人障碍物分析困难的问题，给出了一种新的面向足式机器人的障碍物定义方法，并提出了一系列高效的判断准则，使得算法不用经过复杂的计算就能区分出障碍物与可通过区域，最后生成一个带有可通行性标记的全局地图，方便机器人做路径规划及落足点的选择。
最后，闭环检测问题是指机器人在运行到某个历史时刻经历过的场景时，机器人的轨迹应当是一条闭合的曲线，但由于传感器的积累误差等影响，机器人记录的轨迹可能并不闭合。正确的闭环检测可以修正机器人的定位误差，并得到更为精确的全局地图。本文给出了一种基于视觉词袋的闭环检测方法，该方法在线创建词典因而不需要对环境有任何先验的了解，具有较强的环境适应性。