云机器人技术是将云计算技术与机器人技术相结合,即将机器人端密集型计算任务卸载至云端,利用云端强大的计算能力和丰富的存储资源,来降低机器人本体的计算和存储压力。因此,在云机器人系统中,终端设备通过调用云端相关计算与存储服务,可有效提升系统的整体性能。移动机器人SLAM、导航与避障是移动机器人领域典型的密集型计算任务。传统SLAM技术局限于感知环境空间的几何结构信息,无法在语义层次对环境内容进行理解。语义地图构建技术则能够使移动机器人的认知超越环境空间中点线面的几何意义,准确获取环境及其中物体的语义信息。其次,基于深度强化学习算法的导航与避障策略在经过一定的“奖惩”训练之后,能够使移动机器人在语义地图中仅根据目标点的位置信息,便可完成导航与避障任务。围绕语义地图构建以及导航与避障任务,本文开展的主要研究工作如下:第一,提出了一种语义地图融合构建方法,以该方法为基础设计并实现了一套融合激光和RGBD相机的语义地图构建系统。首先,采用基于滤波的Gmapping算法和激光雷达构建二维栅格地图;其次,通过深度学习算法YOLO v3和RGBD相机对环境中的目标物体进行识别与定位;之后,经过坐标变换,将目标语义信息映射到栅格地图对应位置并标注,完成语义地图的构建;最后,在真实环境中进行实验,验证了该方法的有效性。第二,提出了一种基于深度强化学习算法PPO的移动机器人导航与避障策略。该网络的输入为视觉传感器原始图像,输出为移动机器人的运动速度值;而后,在Gazebo中搭建了四种不同的仿真场景world1～world4,场景中的障碍物复杂程度依次递增;最后,在world4中进行的实验表明,当训练次数达到3500次时,该策略在导航与避障任务中能够取得75%以上的成功率。第三,完成了云机器人系统的设计、搭建与部署。首先,按照“云边端”架构理念进行了云机器人系统的总体架构设计;其次,搭建与部署了云机器人系统,并设计了系统通信机制;最后,通过真实环境中的云机器人系统综合实验,对该系统的功能进行测试,验证了云机器人系统的性能优势。