随着传感器技术的进步和人工智能的发展，自主移动机器人在越来越多的领域得到了应用。一般情况下，机器人需要事先获取所处环境的全局地图，以提高任务执行的效率和准确性，而在未知或不熟悉的环境中，机器人则需要自主探索技术来构建环境地图。机器人自主探索是指机器人根据设定的探索策略，在仅依靠机载传感器的情况下获取环境数据，并循环往复地探索未知环境，同时对未知环境进行建模，直至构建出完整的环境地图。然而，自主移动机器人自主探索技术面临着诸多挑战：首先，像地下停车场、大型矿井、管道等自主探索应用的场景存在环境退化的问题，即场景结构过于简单、环境昏暗——缺乏明显的地标或者特征，导致自主移动机器人无法获得足够的信息来确定自身的位置和构建环境地图。其次，某些特定任务的紧迫性和机器人有限的电池容量都要求机器人在尽可能短的时间内完成任务，对机器人的探索效率提出较高的要求。
图1 自主移动机器人
为此，本文研究退化环境下激光雷达和IMU融合的机器人自主探索方法，主要研究内容如下：
图2 长走廊环境点云构建效果
（2）针对自主探索时需要实时决策最佳探索点的问题，研究融合边界理论和随机采样的自主探索方法。首先，提出了基于Octomap的边界检测算法，利用Octomap地图的更新特性，动态、快捷地检测地图中的边界；其次，对于局部探索，仅在以机器人自身为中心的滑动窗口区域内生成局部拓扑图，实现快速局部探索，对于全局探索，提出了基于空间环境的全局稀疏拓扑图构建方法，以少量的节点概括出环境主干，减少节点搜索时间；最后，构建了考虑成本和信息收益的效用函数，实现了最佳的探索目标点的决策。
（3）针对拓扑图所生成的路径难以符合实际导航需求的问题，研究基于Bezier曲线的拓扑路径优化方法。首先，采用剪枝策略对拓扑图中获取的冗余路径进行修剪；其次，引入Bezier曲线对剪枝后的路径进行优化，对于局部路径，设计了自适应阶数的Bezier曲线对其进行平滑和优化，对于全局路径，采用三阶Bezier曲线平滑路径中每个拐角的尖峰；最后，通过梯度下降法对Bezier曲线的控制点进行了合理的筛选，确保优化后的路径能兼顾安全和曲率连续，同时符合机器人运动学约束。
图4 路径优化仿真测试结果
