针对室内扫地机器人的路径优化问题,本文从目标检测以及自主探索两方面展开研究。在目标检测方面,论文提出了一种基于逆残差的轻量化模型,并在面向扫地机器人的基准数据集上验证后进行了芯片移植。在自主探索方面,以房间语义信息为引导,基于闭合定律提出了一种融合目标识别的路径优化方法。综上所述,本文围绕基准数据集的建立、目标检测网络轻量化以及自主探索等方面展开研究,主要研究内容概括如下:第一,针对现有目标检测模型无法自适应场景的问题,本文提出了一个室内环境下面向扫地机器人的基准数据集。首先,对现有的公共数据集进行研究,结合家居环境中扫地机器人的避障需求,归纳出14类典型的检测目标,并依托扫地机器人实际视角建立基准数据集。然后,通过预训练模型微调技术在自制数据集中训练当前先进的网络模型,从而完成目标检测模型的迁移。实验结果表明,同已有模型相比,采用自制数据集训练的模型能够更好地适应室内家居场景,大幅提高物体检测的精度。进一步地,基于梯度幅值滤波对高精度网络进行优化,实验结果表明,本文提出的方法将模型速度提升一倍,而精度可以保持在82%以上。第二、针对轻量化目标检测模型存在精度偏低、对尺度变化敏感的问题,本文提出了一种基于逆残差改进的轻量化网络方法。首先,基于随机模型将Mosaic数据增强与常用数据增强方法相融合,并引入线上数据增强方法。其次,通过逆残差模块提高主干网络中的通道使用效率,并结合残差模块将逆残差输出与浅层细节特征、高层语义特征相融合。最后,利用改进的空间金字塔池化层将网络深层的局部特征与整体特征相结合。进一步地,为了提升模型对多尺度目标、尤其是小目标的检测能力,在主干网络中继续引入“压缩与激励”模块构成多模态注意力机制。实验结果显示,本文提出的方法比现有的轻量化网络更加高效,提升精度超过13%,尤其是小物体的提升精度超过18%。第三、针对嵌入式终端算力有限、现有模型移植后效率不高的问题,本文基于拟合方法引入了一种指数函数量化算法。不同于已有的同类型算法,在加入参数量化模块的同时也加入了激活值量化模块,从而保证模型在推理阶段能够使用整型数进行计算,极大地提高了计算效率。实验结果表明,量化以后的模型大小压缩为初始的1/4,在芯片端的精度最高可以达到74.93%,速度最快可以达到28FPS。第四、针对机器人自主探索过程中缺乏视觉语义信息的问题,提出了一种基于启发式先验信息的机器人探索方法。首先,利用高效的轻量化网络快速识别启发式物体,同时引入仿生人类的感知规律形成探索的预估区域,并采用图像处理方法提取区域内的边界点。然后,设计了一种启发式信息增益模型,引导机器人优先选择先验信息区域内的边界点进行探索。实验结果表明,与传统的未引入语义信息的自主探索方法相比,本文提出的方法能够有效地减少探索过程中的回溯现象,提高了建图效率,其中平均探索时间减少27%以上,平均探索路径减少25%以上。