一、环境感知
目前，在结构化的室内环境中，以机器视觉为主并借助于其他传感器的移动机器人自主环境感知、场景认知及导航技术相对成熟。而在室外实际应用中，由于环境的多样性、随机性、复杂性以及天气、光照变化的影响，环境感知的任务要复杂得多，实时性要求更高，这一直是国内外的研究热点。多传感器信息融合(Multi-sensor Information Fusion，MSIF)、环境建模等是机器人感知系统面临的技术任务。
1、多传感器信息融合
基于单一传感器的环境感知方法都有其难以克服的弱点。将多种传感器的信息有机地融合起来，通过处理来自不同传感器的信息冗余、互补，就可以构成一个覆盖几乎所有空间和时间的检测系统，可以提高感知系统的能力。因此，利用机器视觉信息丰富的优势，结合由雷达传感器、超声波雷达传感器或红外线传感器等获取距离信息的能力，来实现对本车周围环境的感知成为各国学者研究的热点。
使用多种传感器构成环境感知系统，带来了多源信息的同步、匹配和通信等问题，需要研究解决多传感器跨模态跨尺度信息配准和融合的方法及技术。但在实际应用中，并不是所使用的传感器及种类越多越好。针对不同环境中机器人的具体应用，需要考虑各传感器数据的有效性、计算的实时性。
2、环境建模
所谓环境建模，是指根据已知的环境信息，通过提取和分析相关特征，将其转换成机器人可以理解的特征空间。构造环境模型的方法分为几何建模方法和拓扑建模方法。几何建模方法通常将移动机器人工作环境量化分解成一系列网格单元，以栅格为单位记录环境信息，通过树搜索或距离转换寻找路径;拓扑建模方法将工作空间分割成具有拓扑特征的子空间，根据彼此连通性建立拓扑网络，在网络上寻找起始点到目标点的拓扑路径，然后再转换为实际的几何路径。
环境模型的信息量与建模过程的复杂度是一对矛盾。例如针对城区综合环境中无人驾驶车辆的具体应用，环境模型应当能反映出车辆自动行驶所必需的信息，与一般移动机器人只需寻找行走路径不同的是，车辆行驶还必须遵守交通规则。信息量越多、模型结构越复杂，则保存数据所需的内存就越多、计算越复杂。而建模过程的复杂度必须适当，以能够及时反映出路况的变化情况，便于做出应对。
无人车通过环境建模能够及时反映出路况的变化并作出应对
二、自主定位
定位是移动机器人要解决的三个基本问题之一。虽然GPS已能提供高精度的全局定位，但其应用具有一定局限性。例如在室内GPS信号很弱;在复杂的城区环境中常常由于GPS信号被遮挡、多径效应等原因造成定位精度下降、位置丢失;而在军事应用中，GPS信号还常受到敌军的干扰等。因此，不依赖GPS的定位技术在机器人领域具有广阔的应用前景。
1、航迹推算技术
目前最常用的自主定位技术是基于惯性单元的航迹推算技术，它利用运动估计(惯导或里程计)，对机器人的位置进行递归推算。但由于存在误差积累问题，航位推算法只适于短时短距离运动的位姿估计，对于大范围的定位常利用传感器对环境进行观测，并与环境地图进行匹配，从而实现机器人的精确定位。可以将机器人位姿看作系统状态，运用贝叶斯滤波对机器人的位姿进行估计，最常用的方法是卡尔曼滤波定位算法、马尔可夫定位算法、蒙特卡洛定位算法等。
由于里程计和惯导系统误差具有累积性，经过一段时间必须用其他定位方法进行修正，所以不适用于远距离精确导航定位。近年来，一种在确定自身位置的同时构造环境模型的方法，常被用来解决机器人定位问题。这种被称为SLAM (Simultaneous Localization And Mapping，即时定位与地图构建，或并发建图与定位)的方法，是移动机器人智能水平的最好体现，是否具备同步建图与定位的能力被许多人认为是机器人能否实现自主的关键前提条件。
2、SLAM
近十年来，SLAM发展迅速，在计算效率、一致性、可靠性提高等方面取得了令人瞩目的进展。SLAM的理论研究及实际应用，提高了移动机器人的定位精度和地图创建能力。其中有代表性的方法有：将SLAM与运动物体检测和跟踪(Detection and Tracking Moving Objects，DATMO)的思想相结合，利用了二者各自的优点;用于非静态环境中构建地图的机器人对象建图方法(Robot Object Mapping Algorithm，ROMA)，用局部占用栅格地图对动态物体建立模型，采用地图差分技术检测环境的动态变化;结合最近点迭代算法和粒子滤波的同时定位与地图创建方法，该方法利用ICP算法对相邻两次激光扫描数据进行配准，并将配准结果代替误差较大的里程计读数，以改善基于里程计的航迹推算;应用二维激光雷达实现对周围环境的建模，同时采用基于模糊似然估计的局部静态地图匹配的方法等。
三、运动控制
在地面上移动的机器人按移动方式不同，大概可以分成两类，一类是轮式或履带式机器人，另一类是行走机器人，二者各有特点。
1、轮式或履带式机器人——纵向控制与横向控制
轮式机器人稳定性高，可以较快的速度移动，无人车、外星探测器等都是典型的代表。大部分轮式或履带式机器人的运动控制可分成纵向控制和横向控制两部分，纵向控制调节移动速度;横向控制调节移动轨迹，一般采用预瞄-跟随的控制方式。对无人车来说，在高速行驶时稳定性会下降。因此，根据速度的不同需要采取不同的控制策略。在高速行驶时通过增加滤波器、状态反馈等措施来提高稳定性。
2、行走机器人——电机控制和液压控制
行走机器人稳定性差，移动速度慢，但可以跨越比较复杂的地形，比如台阶、山地等。与轮式机器人不同的是，行走机器人本身是个不稳定的系统，因此运动控制首先要解决稳定性的问题，然后才能考虑使其按既定的轨迹移动的问题。目前，主流的行走机器人控制方式有两种：电机控制和液压控制，二者各有利弊。电机控制机构相对简单，但负载能力有限;液压控制可以获得较大的负载能力，但机构复杂。
利用电机和轴承模拟人的关节，从而控制机器人稳定行走，是机器人控制通常的方式。运动控制一般是将末端轨迹规划与稳定控制相结合：首先规划脚掌的轨迹，再通过机器人运动学求解各个关节电机的旋转角。理论情况下，按上述计算得到的关节角能够保证脚掌轨迹跟踪，但实际环境中存在很多扰动，需要对关节角进行反馈校正，保证稳定性。稳定控制方法很多，其中一种简单而常用的方法被称为零力矩点(zero moment point，ZMP)法。其特征是：通过检测实际ZMP的位置与期望值的偏差，闭环调整关节角，使ZMP始终位于稳定区域以内，从而保证机器人不会摔倒。
闭环控制要求各个关节快速响应外界的扰动，这对负载能力有限的电机来说是比较困难的。而液压系统的负载能力较高，因此具有更优秀的抗扰性能。例如Boston Dynamics公司研制的Atlas机器人，在单脚独立的情况下，被外力从侧面击打，仍然能保持不倒。这其中虽然不乏先进的控制方法，但其液压系统的负载能力无疑是成功的有力保障。
发展趋势及面临的主要挑战
随着科技的发展，在不久的将来，科幻小说中的机器人将真实地呈现在人们眼前。未来的机器人将成为人类的伙伴，和人一起工作，共同生活。在一些人类不能去、不愿去的地方，都可以看到机器人的身影。
在危险环境中的应用和成为人们工作生活的助手是未来机器人发展的两大趋势。当然了，要让机器人真的像人一样工作，成为人的助手，还具有相当大的挑战性。
首先，需要解决机器人在复杂环境中的运动能力。DARPA的机器人挑战赛设置了所谓“复杂”的环境，但对于一个正常的成年人，这些环境根本算不上复杂;而从比赛的过程可以看出，机器人很难应对这些情况。这说明现在的机器人在复杂环境中的运动能力比人类差得太多。
其次，提升感知和决策能力。对无人车来说，速度快是主要特点之一。如何在高速运动时，对时刻变化的环境做出合适的反应，决定了无人车的安全性，也是无人车产业化的最大障碍之一。众所周知，机器感知和决策的方式完全不同于人类，人类的感知具有极强的选择性，先前景后背景、先动态后静态、先非常态后常态等原则，让人能够迅速地在复杂环境中发现目标。这种能力是非常值得机器人研究和效仿的。
总之，近年来市场对机器人的需求持续攀升，各国政府、相关研究机构和企业，都非常重视机器人技术的发展，投入了大量的资源，机器人技术的发展呈现良好态势。而机器人技术中的高精尖问题，更激发着全球众多优秀的机器人研发团队不断创新，开拓进取。我认为，在未来，机器人必将成为日常生活中必不可少的工具，带给人们更加舒适便捷的生活。
