这是一份论文综述，用来了解初识这个领域，给需要的人分享！

人工智人-家居设计-混合智能算法在移动机器人导航中的研究及应用.pdf

通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。

-深度强化学习已成功应用于各种电脑游戏[8]。然而，它在实际应用中仍然很少使用，尤其是在实际移动机器人的导航和连续控制中[13]。以前的方法缺乏安全性和鲁棒性，并且/或者需要一个结构化的环境。在本文中，我们提出了一种在未知环境下，无地图或规划器的真实机器人自主自学习导航的概念证明。机器人的输入仅仅是来自2D激光扫描仪和RGB-D相机的融合数据，以及目标的方向。环境地图是未知的。异步网络（GA3C）的输出动作是机器人的线性速度和角速度。 导航/控制器网络在一个高速、并行、自实现的仿真环境中进行预训练，以加快学习过程，然后部署到实际机器人上。为了避免过度拟合，我们训练相对较小的网络，并向输入激光数据中添加随机高斯噪声。传感器数据与RGB-D摄像头的融合使机器人能够在真实环境中进行导航，实现真正的3D避障，而无需使环境适应机器人的感官能力。 为了进一步提高鲁棒性，我们在各种困难的环境中进行训练，并同时运行32个训练实例

SLAM论文：基于SLAM的移动机器人导航系统研究。基于SLAM的移动机器人导航系统研究

MATLAB sample codes for mobile robot navigation.

基于ROS的室内移动机器人导航技术研究，论文综述性的内容概括比较全面，易懂，具有借鉴性。论文综述性的内容概括比较全面，易懂，具有借鉴性

QlearningProject MatLab仿真，用于基于Q学习的避障和非周期性例程。 用于避障例程和移动机器人控制的Python代码。

本书主要论述了移动机器人导航系统和路径跟踪控制算法的设计方法。首先，基于常用的 移动机器人导航系统的原理、所选用的民用单频GPS接收机数据的特点和航迹推算导航系统 数据的特点，提出了三种GPS和航迹推算导航综合导航系统信息融合算法。这些算法利用 GPS与航迹推算导航系统具有互补的特性，在解算负担小的基础上，能够很好地融合民用单频 GPS接收机和航迹推算系统的导航信息，为室外移动机器人提供长期稳定、准确的导航信息。 其次，介绍了移动机器人路径规划应用的蚁群算法。针对传统蚁群算法容易陷入早熟、收敛速 度慢和生成路径转折多等问题，提出了相应的改进措施。改进后的蚁群算法在提高搜索速度的 基础上，扩大了搜索范围，并且能够提供转折较少的路径。最后，基于模型算法控制方法和神经 网络的模型算法控制方法为移动机器人设计了路径跟踪控制算法。

一个可移动机器人导航的计算机视觉系统.pdf