环境建模一直以来都是移动机器人领域的一个重要的研究方向。各国每年都会投入大量的人力物力进行研究。经过这么多年的努力，成功也是丰硕的：如今的机器人学中的地图主要有：特征地图、拓扑地图以及栅格地图。其中，具有代表性的有：Moravec等提出的二维占有栅格的概念[3];Self等人提出移动机器人同时定位与地图创建，称作SLAM(Simultaneous Localizationand Mapping) [4]，如今该研究被认为是实现真正全自主移动机器人的关键[5],因其重要的理论与实用价值；Kortenkamp等人设计的机器人携带声纳和视觉传感器的组合，探测环境并创建环境的拓扑地图[6]。  

另一方面，在机器人定位研究中，也相继提出了概率定位、位姿跟踪等方法。多机器人系统的研究中，Rekleitis等探讨了地图探索中的多机器人之间的合作问题[7]。当然本文研究的只是单机器人。60143

1  特征地图：

特征地图用有关的几何特征（如点、直线、面）表示环境。这些简单的特征便于精确的存储于地图中，而且，也容易被机器人观测到，十分有利于机器人未知的估计和目标物的识别。如Ayache采用视觉传感器获取环境中的直线段信息[8]。Ip等人从原始声纳测量数据中提取线段特征[9] 。J，Choset等采用ATM模型精确提取环境中的点特征[10]。多传感器信息融合是提高特征检测能力的重要手段[11]，Castellanos对激光和摄像机数据进行特征级数据融合[12]。当然缺点也很明显：需要对感知信息做出额外的处理，需要一定数量的感知数据才能得出相对精确的结果，而且，更新起来也很复杂。

2  拓扑地图：

拓扑地图表示法是把目标环境表示为结点和相关连接线的拓扑结图，其中的结点用来表示环境中的特征位置点，相关连接线表示结点之间的关系。由Kuipers在1978年提出[13]。以室内环境为例：拓扑地图会把室内环境表示为带节点和相关联的拓扑结构图，环境中的重要位置点如拐角、门等会被表示为节点。地图额边表示不同节点的连接通道，如走廊灯。优点：规划方便，适用于基于行为的导航。而且，有很多成熟搞笑的图形搜索和推理算法可以直接使用论文网。重在描述结构，对于未知的精确度要求不高，并且对CPU，内存的占用都相当低，相比较而言，拓扑地图的效率比较高[14]。尽管优点很多，不过，缺点还是有的：它要求方便的观测到拓扑节点，但是对拓扑节点的定义是拓扑创建的难点。环境的相似性容易使得系统将节点混淆。节点定义有三种方法：第一种是人为预定节点标志[15]，第二是特定位置法，即根据特定位置的环境信息定义节点。Kuipers采用爬山法寻找局部唯一特征点，利用外部传感器感知的信息定义节点[16]，第三种是传感器测量值相似的区域，Nehmzow直接根据栅格直方图信息进行节点定义[17]。Voronoi图是拓扑地图创建中最常见的方法，但是由于噪声的影响会产生多余节点或路径。

3  栅格地图：

栅格地图表示法最早由Moravec和Elfes于1 985年提出[4]，随后Elfes[18]

又对这种表示方法进行更加深入的研究，现已基本趋于成熟。其原理是将环境分解成若干相同大小的栅格，每个栅格单元具有一个概率值，表示它是否被障碍物占据。栅格地图易于创建、表示和维护，机器人感知的每个栅格单元的信息直接与环境对应，然后使用声纳这样的低成本传感器便可获得创建地图的信息。借此技术，机器人可以方便地完成自我定位、实施路径规划等。栅格地图表示法的缺点是：在表示大规模环境或对环境划分比较详细时，栅格数量增大，地图维护所占用的内存和CPU计算时间迅速增长，使计算机的实时处理变得很困难。为了提高实时处理能力，Amir 等人对此进行了改进，提出对需要高分辨率的区域采用四叉树[19]（Quadtrees）表示。Burgard在导航机器人中使用神经网络学习感知数据，然后映射到地图中[20]，Angelo提出基于反馈神经网络模型的栅格概率计算方法[21]，以减少传感器镜面反射、随机性误差等影响。Ribo分析了Bayesian概率模型、D．S证据理论、模糊集三种算法更新栅格地图模型的优缺点[22]。