随着技术的进步，机器人逐渐从传统工业生产环节进入到公共服务、家庭娱乐等场景中。导航控制技术是移动机器人的核心技术，是机器人完成复杂服务的基础。本文主要研究机器人的导航控制系统，针对现有激光雷达SLAM（Simultaneous Localization And Mapping）算法和视觉SLAM算法场景适应性低和鲁棒性差的问题，采用多传感器融合方法，提高了现有机器人导航系统的环境适应性和鲁棒性。本文的主要工作包括：
       第一，本文对现有激光雷达和视觉SLAM算法进行了实验和总结。本文构建了一种简易的激光SLAM算法，并对算法的效果进行了实验，结果表明，算法能够有效建立环境地图。本文从建图效果和计算资源消耗两个角度对比了三种激光SLAM算法的性能，实验表明，三种算法中Cartographer算法建图效果最好，但计算资源消耗也最高，Gmapping算法计算资源消耗较低，建图效果较好。本文也构建了一种基于视觉SLAM算法，视觉前端基于特征点方法，采用PnP（Perspective-n-Point）算法计算初始位姿，后端采用位姿图优化算法，回环检测基于近距离回环和全局随机回环，保证了回环检测的效率，最终构建出环境的点云地图。
       第二，为了解决低成本激光雷达无法有效检测玻璃的问题，本文提出了一种融合超声波传感器和激光雷达信息的玻璃检测算法，并对算法进行了实验。实验表明，机器人能够有效检测出大部分的玻璃，实验结果证明了算法的有效性。机器人采用带玻璃检测的激光SLAM算法的建图结果会降低定位准确度，本文采用路径规划和定位地图分离的方法，在保证机器人定位性能的同时，提高了机器人的导航效率。实验结果表明，玻璃环境下采用新的导航框架机器人导航效率明显提升。本文提出的玻璃环境下基于低成本激光雷达导航算法有实际应用价值。
       第三，针对现有视觉SLAM算法鲁棒性差的问题，本文提出了一种多传感器融合的视觉SLAM算法，算法将机器人的里程计和IMU（Inertial Measurement Unit）信息融合到视觉SLAM的图优化框架中，提高了纯视觉SLAM的鲁棒性。利用EKF（Extended Kalman Filter）算法融合机器人单轴陀螺仪和里程计数据，计算得到在两视觉关键帧之间的机器人坐标系位姿，将机器人坐标系位姿转换到相机坐标系，机器人坐标系位姿作为相机测量位姿的约束，对整个系统进行优化。本文对融合里程计和IMU信息的视觉SLAM算法进行了实验，实验结果证明了算法的有效性。