随着移动机器人被广泛应用于智能制造和仓储物流等领域，单一传感器不能满足复杂环境下移动机器人感知需求。多传感器系统能够综合利用不同传感器的信息，从而提供更全面、准确的环境感知。然而，多传感器产生的海量数据给计算机的处理能力带来了巨大挑战，其次现有的移动机器人导航严重依赖地图等先验知识。
图1 移动机器人多传感器融合
为解决上述问题，本文主要研究内容如下：
（2）针对移动机器人自主导航依赖地图的问题，研究基于强化学习的自主导航方法。对此，首先建立了基于强化学习的移动机器人导航模型，根据TD3算法设计了移动机器人导航方法。然后，设计了基于共享经验池的学习策略，采用优先经验回放机制增加样本效率。最后，设计了移动机器人导航模型训练方案，并在仿真环境下测试模型，验证了本文提出的算法在导航成功率和效率方面具有显著的提升。
（3）针对基于深度强化学习的自主导航模型收敛慢、泛化能力弱等问题，研究基于联邦学习的分布式学习算法。对此，首先分析了联邦平均算法，结合移动机器人导航算法，设计了移动机器人联邦强化学习算法。然后，设计成长率评价指标，通过成长率动态调整移动机器人模型聚合的权重，并根据移动机器人的学习状态值调整模型聚合的时机，优化系统的模型更新频率。最后，通过实验验证了本文提出的算法在降低通信负担的同时，收敛速度更快，在多种环境下导航效果更好。
（4）完成算法的迁移部署与实车实验。首先，自主搭建移动机器人实验平台，将导航模型迁移到移动机器人实验平台上进行导航实验。为了进一步验证本文算法的可迁移性和扩展性，在多台TurtleBot3机器人上进行多机器人环境下导航实验。实验结果表明，本文算法能够迁移部署到真实移动机器人，并顺利执行自主导航任务。
