目前，将机器学习方法与环境感知相结合的研究逐渐成为国内外移动机器人、机器学习乃至计算机视觉等研究领域一个新兴的热点。

    2005年，人工智能顶级会议NIPS举办了以“基于机器学习的非结构环境下的机器人”为专题的研讨会，引起了学术界广泛的关注。美国DARPA(防御高级研究项目代理)于2004年创建了一个专门面向野外感知学习的项目LAGR(学习应用于地面机器人)，吸引了大批机器学习、室外环境理解和移动机器人等领域的专家对户外环境感知领域研究难题的关注，并且证明了它能够促进环境感知领域新的进展。国际很多知名的机器人研究机构如美国卡内基梅隆大学 (CMU)的机器人研究所、斯坦福大学的移动机器人研究组、麻省理工学院的人工智能实验室、德国Karlsruhe大学的过程控制与机器人研究所、意大利Parma大学的RimLab实验室都投入越来越多的精力致力于基于机器学习的环境感知研究。该方向有代表性的研究成果包括:2002年美国NlST(国家标准和技术研究所)的研究团队利用激光、色彩和纹理特征通过训练神经网络来实现道路检测阵[4];2003年至2004年、Vandapel和Hebert提出了基于概率模型的学习方法区分草木，平面等地表环境的算法[5-6];2005年Witus等的研究显示神经网络可以成功地用作预测地面的粗糙程度和可通行性[7];同年Posemblum等年提出了一个基于类似强化学习的导航系统，通过示例来学习可安全移动的地面类型;近两年部分学者还将RBF网络，隐马尔科夫模型，贝叶斯方法用于道路跟踪。61151

    国内机器人研究领域的主要研究机构和高校如:中科院自动化所、清华大学、哈尔滨工业大学、国防科技大学、西安交通大学、吉林大学、南京理工大学等在机器学习应用于机器人环境感知方面也展开了有益的探索。例如:部分学者将经神经网络、贝叶斯分类器等应用于环境感知特别是障碍检测方面件。

如上所述，目前大部分的面向移动机器人环境感知的机器学习方法都是监督学习方法。论文网提供有标记的数据作为训练样本是这些方法的重要基础。