为了能在任一环境中执行任何任务，移动机器人能够回答以下三个问题：“我在哪里？我要去哪？我怎么去那？”是至关重要的（Leonard and Durrant-Whyte,1992）.这三个典型的问题刺激移动机器人研究界持续了20年。在此期间研究人员集中关注的是定位的发展，地图建设以及可实时运行和已装机移动器人的导航程序。自20世纪90年代中期起嵌入式传感器，硬件，以及计算和记忆能力的巨大发展允许移动机器人大力改进其自主性和应用领域范围（从医疗，办公，以及工业到星球表面探测）。如今在文献中针对10多年以前那些难以应付的问题有许多方法。一个很好的例子就是二维同步定位与地图创建问题（SLAM），通常被描述为“鸡-蛋”问题。SLAM问题在于需要有一个准确估计机器人姿态（位置和方向）以及传感器数据融合的精确地图。形成一个可靠的环境地图和减少odometry误差这两者都是相关必要的（Vazquez-Martin et al.,2006）。不幸的是，单纯使用odometry估测位置是不够的，因为编码器始终提供无限的位置误差。这些误差是由车轮滑移，转移的有效载荷，不准确的结果等造成的。以及系统累积误差表明了机器人估测立场和实际立场之间不断递增的差异。由于这一点，现在使用包括exteroceptive传感器（如：激光测距仪，全景相机，超音传感器等）在内的多传感器平台很频繁。然而，我们应该看到SLAM程序的效率和稳定性直接影响象征地图的选型。文献中提出一些典型的选择，如占用网格（Elfes, 1989, Schultz and Adams, 1998, Ivanjko and Petrovic, 2004, Ivanjko et al, 2005, and others），拓扑图（Bandera et al, 2001, Zhuang, 2006, Tarutoko et al, 2006, and others），特征映射（Leonard et al., 1992, Janet et al, 1997, Salomon et al, 2006）等等其他方法。

      我们的工作重点是利用多个传感器提高室内环境特征定位的鲁棒性。几何特征环境建模结构为我们提供了一个方便环境映射通过数据关联的简洁环境描述。在此背景下，强劲的特征提取在精确传感器数据记录方面发挥着重要作用。我们应用变换矩阵执行数据记录程序转变测量数据集合到惯性系中。转变矩阵元素及其协方差矩阵都是利用扩展卡尔曼滤波器（EKF）估算。正如我们假定的那样，机器人环境能够在以线段和线段中点作为环境特征的二维空间里被很好的表现。他们都被多次分割提取，每一个都考虑了室内环境自身的特征（就我们的例子而言，典型特征是建立在室内环境中）。

首先简要回顾了基本的特征提取和简短描述了匹配处理与算法。接着提出了传感器数据记录与数据融合程序。然后展示了多传感器平台以及使用真实数据所取得的成果。最后，在最后一节中作出了结论和提出了展望。

 

2．特征提取与匹配

特征是基本物理环境中静态的，可感知的，当地独特可辨认的物体。在此研究中，考虑到环境动态特性和匹配模型，我们强调从激光测距仪测量中提取强有力的几何特征。特征提取过程更详细的说明如下。