随着老龄化社会的到来，低成本智能服务机器人将成为机器人领域中重要的研究和应用方向。而服务机器人智能水平与其定位导航能力密切相关，因此实现并改善服务机器人定位导航的性能，提高其实用性、准确性和鲁棒性就成为进一步增强并扩展服务机器人应用的主要研究方向。本文以网络化助老助残服务型移动机器人系统为应用背景，针对环境摄像头节点与机器人激光传感器组成的分布式感知网络，研究提出了新的移动机器人定位、导航及地图创建方法，并应用其构建了分布式感知网络下的移动机器人系统，显著提高了机器人的智能化水平和系统执行任务的效率。 首先针对分布式感知的特点，从不同的出发点，研究提出了两种新的定位方法。一是分布式感知协作的扩展Monte Carlo定位方法，从改进经典Monte Carlo定位方法的内部机制出发，通过判断激光感知更新前后采样分布信息熵、有效采样数目及采样分布均匀性的变化，适时地从环境摄像头的检测模型进行重采样以实现分布式传感器间的协作，从而能有效减少机器人位姿的不确定性。二是信息Monte Carlo算法，从信息融合的角度出发，将信息论与Monte Carlo方法结合，依据传感器的信息效用值选择当前最佳的传感器节点，利用该节点的最新观察数据更新机器人的位姿，并将粒子集转化为密度树的方式在网络传输，在减少网络传输数据量的同时减轻了Monte Carlo定位算法中重采样所带来的粒子衰减。文中详细论述两种方法算法的原理和实现，通过实验分析验证了解决移动机器人的全局定位和绑架问题的有效性。 其次，考虑到室内环境下的服务机器人的服务对象是人，导航中机器人规划的路径首先要考虑人身体方面的安全，针对基于栅格地图的经典路径规划算法的不足，提出并实现了一种两层插值的路径规划算法——T*算法，算法应用快速行军插值法（FMM）生成环境的目标波形图，而后采用线性插值法从机器人当前位置沿着波逆向搜索生成一条平滑路径：当得到规划的路径后，针对非完整约束的移动机器人，引入了改进的虚拟车辆（W）跟踪方法跟踪生成的路径。同时考虑人的舒适度等感情方面的因素，依据室内环境中人的大多数运动具有一定规律性的假设，提出并实现了一种学习人典型运动模式的方法，利用该方法对环境中人的行为做出预测，协调机器人以达到与人和谐共处的导航目的。算法通过环境摄像头网络采集人在不同地点间的运动轨迹，应用两层模糊K均值算法分别对这些运动轨迹进行空间和时间序列上的分类，利用TSC标准对每一次分类结果进行评估，建立每一聚类运动模式的概率方程，依此实现对摄像头网络观测下人运动行为的预测，进而调整机器人的导航策略以达到与人和谐共处的导航目的，而对于无法判断的人的运动模式，则采用T*算法进行导航。文中论述了算法的基本原理和实现方法，并通过大量实验分析验证了路径规划与跟踪算法的有效性以及和谐导航理论在实际应用中的可行性。 以上定位导航方法的实现需要已知环境模型的栅格地图，为此借助构建的分布式感知网络，提出了一种两层同时定位与地图创建（SLAM）算法。在局部水平上，一旦机器人进入了新的摄像头视野便创建一个新的局部地图，然后依据机器人的激光和里程计信息采用RBPF方法建立其栅格地图；在全局水平上，一系列的局部地图组成一个连接图，局部地图间的限制对应连接图的边，而后采用随机梯度下降法对连接图进行优化。文中详细论述了两层SLAM算法的原理和实现，分析完成了典型环境准确且全局一致的地图构建应用实例。 最后，在上述研究的基础上开发实现了一套面向分布式感知网络的模块化服务机器人导航应用系统。文中详细论述了系统架构，给出了系统的实现，并通过应用系统进一步验证了上述定位、导航及地图创建方法有效性。