智能移动机器人在家政服务、工业生产、勘探搜救以及军事等诸多领域都有着广泛的应用前景。在未知环境中,移动机器人准确地建立环境地图,并同时利用地图实现准确的自定位是实现移动机器人自治的关键技术,即同时定位与制图(Simultaneous Localization and Mapping, SLAM)。传统SLAM研究中,机器人通常以跟踪预先指定路径的方式移动；而主动SLAM (Active SLAM)是指机器人自主规划路径并实现S LAM,它使移动机器人有能力实现完全自主。因此,主动SLAM研究具有非常重要的意义,近年来得到了广泛的关注。现有的主动SLAM研究均针对静态环境,缺乏对动态对象的识别与跟踪,而实际应用中机器人所遇到的环境大多为动态环境,尤其对服务机器人而言还需要与被服务对象产生互动(人机交互)。本论文提出了新的研究课题,即人机交互环境下的主动SLAM研究,重点探索在有人引导的情况下服务机器人如何从最优探索的角度智能规划路径以完成SLAM,并同时实现对引导人的实时跟踪。论文提出的主动SLAM方法使用激光传感器观测环境并制图,同时采用麦克风阵列声源跟踪方式实现对引导人运动轨迹的跟踪。围绕论文研究中的相关问题,论文的主要工作和创新点如下：1.针对激光传感器数据特征提取问题,提出基于预测的特征提取算法,提取出环境中的直线段、圆弧等几何特征。该算法模拟激光器观测环境的实际过程,利用相邻的若干数据点计算当前数据点的预测位置,通过与实际数据点位置比较检测出原始数据点集中的断点和转折点。与传统特征提取方法通常采用的分段-段内特征分离的两步骤架构相比,本文提出的算法只需要一个步骤即可实现单个特征的全部分离,运算速度和特征提取准确率明显提高。同时,该算法还具有无需事先估计激光器参数、每个特征的最小数据点数要求低等诸多优势。2.提出麦克风阵列混合声源定位算法。传统的SRP-PHAT (Steered Response Power-Phase Transform)算法具有精度高、抗噪声／混响性能好等优势,但由于全空间搜索其运算速度难以满足移动机器人的实时性要求。本文提出的混合定位算法首先利用广义互相关(Generalized Cross-Correlation, GCC)时延估计方法快速得到潜在声源方位点集,然后提出环形聚类的方法从方位点集中计算出缩小了的搜索空间,并在其中进行SRP-PHAT搜索得到声源位置。本文提出的算法保留了SRP-PHAT算法的高精度和鲁棒性,同时明显地提高了运算速度,使其能够满足移动机器人实时性的要求。3.提出SLAM和声源跟踪(Sound Source Tracking, SST)融合实现的方法,利用扩展卡尔曼滤波(Extended Kalman Filter, EKF)实现基于激光特征的SLAM,得到系统状态估计和协方差矩阵,利用机器人位姿估计信息将局部坐标系中的声源状态转换到全局坐标系,在全局坐标系中利用粒子滤波(Particle Filter, PF)实现实时声源跟踪。将SLAM和SST相融合的研究在现有移动机器人研究领域尚未被提出,本文首次提出的SLAM-SST融合实现的方法为人机交互环境下的主动SLAM建立了实现基础,同时也为移动机器人听觉研究提供了新的思路和方法。4.提出人机交互环境下的主动SLAM方法,将主动SLAM研究扩展到动态环境。针对有引导情况下的最优路径规划问题,采用潜在目标点集生成-效用函数选择目标点的框架实现,在生成潜在目标点集和建立效用函数时均同时考虑了引导人的预测位置、机器人的位姿及已探索的环境范围。使用激光传感器提取几何特征实现定位和制图,并采用麦克风阵列声源跟踪的方式实现对引导人运动轨迹的跟踪。本文提出的方法使服务机器人具有一定的理解引导人意图能力,在有人引导的情况下可以智能规划路径以最优探索环境,而不是简单地跟随引导人的路线。实验结果证明了论文提出的人机交互环境下的主动SLAM方法在实际应用中的意义和价值。