未知室内环境下移动机器人的自主探索是机器人学重要的研究领域之一。为了实现移动机器人在室内复杂环境下的自主探索,移动机器人必须具备环境的感知建模与定位、运动规划和自主决策。传感器融合成为新的发展趋势。本课题以移动机器人平台为研究背景,开展自主探索方面相关技术的研究,开发了集位姿估计、自主探索和自主避障方法为一体的机器人平台和软件系统,结合多传感器融合的信息,实时给出探索目标点、指导路径规划和避障。本文的主要研究内容如下:首先,设计和实现基于多传感器融合的机器人自主导航系统,完成了多传感器数据融合硬件的选型和调试。用到的传感器包括RGB-D相机、惯性测量单元和2D激光雷达。先后选择三种多传感器数据融合的硬件方案:华硕RGB-D相机Xtion和惯性测量单元xsense MTi-28A53G35;集成IMU的小觅相机;英特尔RealSense ZR300。随后对上述方案进行实验测试;然后设计了相机IMU数据时间同步方案;进一步利用英特尔RealSense ZR300在硬件和软件上实现相机IMU数据的时间同步,给多传感器数据融合的位姿估计算法提供可靠的输入数据。此外,设计了基于ROS的分布式自主导航系统架构。系统架构分为客户端和服务端,客户端主要负责数据的采集,服务端主要负责数据的处理和显示。采用分布式的结构不仅提升算法的运算速度也减轻了机器人本体的计算压力。然后,提出了一种多传感器融合的位姿估计方法。在前端特征点追踪部分,基于随机采样一致性方法,改进金字塔Lucas-Kanade光流法。在前后帧追踪得到特征点对的基础上随机选择8对点对,算出基础矩阵,然后利用该基础矩阵对应的对极约束,对匹配点进行测验,满足设定的阈值为内点,进一步提升光流的追踪精度。在后端优化部分,通过RGB-D相机引入特征点深度的先验,构造深度残差;然后采用紧耦合的方法,最小化IMU测量残差、视觉重投影误差和深度残差,将问题构建成最小二乘问题,使用高斯牛顿迭代求解得到系统状态的最优解;进一步采用滑动窗口和边缘化技术,在约束计算量的同时不丢失历史信息的约束。本文提出的方法,利用RGB-D相机的深度信息,加快特征点深度的收敛,使得特征点深度估计更加准确,同时提高系统的定位精度。通过对比最新的视觉惯导融合算法以及在实际环境中的实验测试,验证了本文提出的位姿估计算法的有效性。再次,提出一种结合广度优先搜索的前沿探索方法。当前的前沿探索方法无法保证在实际环境中完美运行,主要原因是计算出的目标点可能位于未知、占用或者难以到达的开放网格。当这些方法用于复杂环境时,实际上会降低机器人的探索效率。本文提出一种结合广度优先搜索的前沿探索方法,可以快速获得优化的前沿中心,并通过实验验证了方法的有效性。最后,提出一种改进的自主避障方法以及设计多目标点导航系统。装备2D激光雷达的机器人只能检测某一水平面的障碍物。在自主导航过程中,机器人很可能撞到障碍物。针对这个问题,本文将RGB-D相机的3D感知数据和单线激光雷达的数据进行融合,使得移动机器人能够在复杂室内环境下安全地进行探索。另外设计和实现移动机器人在已知环境下的多目标点导航,基于Qt设计了多目标点导航界面和编写相关节点。同时也验证了改进的自主避障方法的有效性和多目标点导航系统的性能。