自主移动机器人长期航行的自适应存储模型

摘要

本文介绍了一种环保的移动机器人，随着时间的推移不断适应。呈现的方法是由人类记忆信息处理的启发，并存储当前的环境以及过去的环境知识。在本文中，存储器模型应用于关于自治机器人工作区中的障碍物和可驱动路线的时变信息，并用于解决机器人的导航周期。这包括本地化和路径规划以及车辆控制。所提出的方法在改变室内环境中的实际实验中评估。结果表明，环境代表稳定，随着时间的推移提高其质量，并适应变化。

1.介绍

T.他在环境中导航的能力是自主移动机器人最重要的要求之一。通常，该导航任务可以定义为三个基本能力的组合：本地化，路径规划和车辆控制。本地化表示机器人确定自己位置和方向的能力（称为姿势）在全局参考框内。路径规划定义了从当前机器人位置到达所需目的地的足够运动命令的计算。由于其规划组件，路径规划通常在运动之前执行。计划的路径随后是使用运动控制和无功避免的机器人。如果障碍物是不可避免的，则执行全局路径重新替换。

为了解决导航任务，需要先前的关于环境的知识。该知识包括界标特征，该地标特征可用于关于可以应用于路径规划的路径的定位，几何和语义信息，以及必须安全地绕过的路径规划的障碍物配置。在机器人社区内，通常提前给予环境知识[1]或通过使用SLAM方法在操作前从头开始构建[2］．

在这种情况下，可以假设世界是静态的，或者机器人只能在有限的时间内运行。然而，未来的服务机器人需要自主运行几周到几年。在这个长期的操作过程中，这些机器人将与人类共享工作空间，并与人类以及手动和自动操作的车辆进行交互。通常，这些环境会随着时间的推移而变化，不能再假定它们是静态的。

当在机器人的感觉范围之外发生时，环境的变化可能逐渐或突然出现。通常，我们区分了三种类型的对象：动态的那semistatic,和静止的对象。像汽车或人类在定义方向上使用某个速度移动的物体称为动态。在机器人的感觉范围内，可以通过考虑随后的感觉测量来估计速度和移动方向。改变其姿势或物理尺寸而没有直接运动的物体被称为半迷，例如种植树木和停车车以及机器人的感官范围之外发生的变化。另一方面，不变变化的对象用静态表示。此外，改变可能不是永久性：门可能已经打开，包装可能已经留在走廊中一段时间，等等。通常，当自主机器人时，它是未知的，在哪里以及这些变化发生的时间。在这些环境中的安全和安全的长期操作中，移动机器人必须适应这些变化。此外，在为机器人提供存储当前状态的能力并记住环境的过去外观，他们将有能力从过去学习。这些要求需要对移动系统的环境代表性的新概念。

提出了一种适合自主移动机器人长期导航的自适应环境模型。按照人类记忆的概念，这种表征包括三种基本存储:感觉记忆、短期记忆和长期记忆。感觉记忆包含来自传感器的原始数据，而短期记忆用于存储对机器人至关重要的环境数据。在短期记忆中，相关数据被识别，然后转移到长期记忆中。通过使用时间并行存储，提出的存储方法允许时间变量环境数据的空间和时间模型。本文将内存模型应用于环境中的障碍物和路径，用于目标跟踪、定位、路径规划和避障。因此，自适应记忆模型是解决自主机器人长期运行中的导航任务的基础。

本文的其余部分的结构如下。部分2讨论在变化的环境中导航方法的先前工作。部分3.介绍此工作的自适应内存模型。部分4.介绍了障碍物表示和截面的更新5.更新内存模型中的路由数据。节6.内存模型中包含的数据用于自主机器人导航。在室内环境中的现实世界实验结果在一节中给出7.．最后，在一节中介绍了未来工作的结论和讨论8.．

大多数现有的导航方法假设世界是静态的。为了应对不断变化的环境，一些方法假设感知数据的特定部分是静态的，并且不随时间变化而变化。例如，Soika等人[3.]和wulf等人。[4.从3D点云中提取天花板功能。在扫描点内，假设这些天花板功能是通过移动对象的时间不变并且抵御遮挡的稳健。提取的功能用作基于先验的给定地图的工业大厅本地化的地标测量。

其他方法尝试明确区分动态免于静态测量并检测和滤除移动物体。例如，Fox等人。[5.]使用熵过滤器来识别由动态物体引起的测量值。Thrun等人[6.]为著名的“密涅瓦”导游机器人开发了一个距离过滤器，将已知物体对应的传感器读数与动态障碍物引起的读数分离开来。因此使用了预先安装的所有已知对象的地图。在SLAM方法中，Wang等[7.]采用基于特征的启发式旨在识别和过滤输出范围测量的动态对象。Hähnel等人。[8.]使用概率方法来跟踪人员，并过滤滤除相应的测量以改善地图建设过程。虽然这些过滤方法已被证明在高度动态环境中是强大的，但它们无法检测到半迷谱。

近年来，很少有作者开始在长期本地化方面进行研究，并明确地模拟环境的变化。Biber和Duckett [9.]提出一种时空地图，其中环境在多个时间尺度同时表示。通过采用少年尺寸的学习速率，通过新的传感器测量来补充地图的部分，动态地图随着时间的推移连续地适应。表示通过选择最适合电流传感器数据的地图的时间尺度来用于本地化。stachniss和burgard [10.介绍了一种典型的动态环境配置的方法，如开放和闭门。在检测到更改的区域中，此方法创建基于网格的地图（修补程序映射），并对环境中可能配置的每个子映射集群估计。这些补丁映射集成到Monte-Carlo本地化中。这项工作由Meyer-Delios等人延伸。[11.]通过使用本地临时地图改善像停车场的半字形环境中的本地化。Dayoub和Duckett [12.基于全向相机视觉的长期拓扑定位提出了一种方法。从全景图像中提取本地特征，以表示拓扑图中的节点的外观。通过采用短期和长期记忆的概念，所提出的方法更新特定位置的参考图像的特征点组。

然而，现有的移动机器人长期运行的方法都集中在定位部分。到目前为止，还没有考虑到由定位、路径规划和车辆控制组成的自主导航的完整周期。

3.适应性记忆模型

在本文中，所有关于环境的知识都应该是时间的函数。假设平面世界，空间的环境的配置空间以及时间域中的环境空间趋向于无限远的长期操作。要表示目前以及对具有有限的存储器容量的自主移动机器人环境的知识，引入了自适应存储器模型（见图1)．记忆模型是基于1968年Atkinson和Shiffrin提出的人类记忆的多存储模型[13.］．该模型形成了现代内存理论的基础，将人类记忆划分为三家基本商店：感官记忆(SM),短期记忆(STM)长期记忆（LTM）。

根据Atkinson和Shiffrin，感官存储器包含感官所感知的所有原始数据。在编码SM中的数据时，执行基本识别过程。随着数据量巨大，在大约2秒的时间内，存储的数据在SM中衰减。短期或工作记忆构成心理信息处理的基础。选择性注意机制确定将哪些数据从感官存储器移动到STM。随着短期存储器的容量有限，在存储数据的同时执行进一步的抽象。在被遗忘之前，可以召回STM中的数据的时间几秒到一分钟。通过排练的过程，STM中的数据可以转移到长期存储器以保留更长的时间。在LTM中的存储过程中，执行进一步的抽象和解释以及与编码数据的组合。作为返回，存储在LTM中的知识会影响感知并影响所在环境中的数据。 In general, when new data moves from SM via STM to LTM, the amount of data is condensed with previous data and the level of abstraction arises.

在本文中，我们正在将这种人体记忆概念应用于自主移动机器人。为此，我们做出了两个假设。首先，存储器（SM，STM和LTM）的每个存储分为代表群代表不同类型的数据（例如，障碍物和路线数据）。其次，每个只需分为时间域中等长槽．在时间内假设数据有效。为此，每个只需一段时间都可以记住．假设时间表示是循环缓冲区，覆盖了多于的操作时间的第一个条目．给出当前时间，索引当前的时间插槽在代表中通过应用模数操作如下计算：在哪里表示操作开始时间。的数量每个商店的时间插槽是预定义的，并取决于存储的数据类型。一般来说，时间对于每个时间槽，从SM通过STM增加到LTM，导致存储器跨度的增加．

在以下部分中，我们将在此内存概念中展示我们如何整合障碍以及路由知识，并使用记忆信息来改善更改环境中的机器人导航（见图2概述）。

4.障碍表现

4．1.感官记忆

对于环境感知，假设2D和3D范围传感器。仅使用2D接近导航，通过应用技术，相关的3D传感器数据减少到2D平面虚拟2D扫描[14.］．每个单二维传感器测量，下面的命名扫描点定义如下：在哪里表示极角和在以机器人为中心的极坐标系中测量的范围．的元素表示扫描点的动态类的估计，是以下可能集合的元素：在部分定义之后1那动态的表示扫描点属于移动对象，而semistatic表示在不移动的情况下更改的对象静止的表示对象时间不变的变化。未知表示没有动态分类可用。由于普通距离传感器无法对扫描点的动态进行分类，最初被设置为未知的为了．

自极角度和范围用实际传感器测量扫描点的精度是有限的。为了建模错误，我们对每个错误都进行了假设正态分布误差，其协方差如下: 注意，我们忽略了系统测量误差，只建模随机误差和．为了进一步简化，我们假设动态分类“正确的。”

最后，表示围绕机器人周围的本地环境的完整2D扫描定义如下：扫描由组成扫描点以及相关的协方差矩阵．每个2D扫描与离散时间步长有关．在使用多个传感器的情况下，额外的变换将传感器数据变为机器人坐标系．

假设基于地面的车辆，每次步骤都定义了机器人的姿势如下: 在哪里和代表职位和表示机器人的姿态(更准确地说，是机器人坐标系的位姿))．姿势是在以世界为中心的笛卡尔坐标系中给出的并且是本地化方法的结果(请参阅本节)6.1)．根据输入数据和定位方法，姿态估计具有一定的不确定性。

假设位置正常分布式错误以及方向，在每次步骤时都定义了相关的协方差矩阵如下:

4.2。短期记忆

在短期记忆中，一个抽象的对象表示是由二维扫描产生的．为此，对扫描进行分割，将空间域上相关的扫描点通过包围框进行分组．每个边界框定义如下：在哪里和代表职位和表示机器人坐标系中给出的笛卡尔坐标中边界框的中心点的方向．和是盒子的长度和宽度指向．方向上的绝对速度用和由此定义的对象的动态分类．在每次2d扫描内包含边界框表示并由以下集合提供：

边界框表示用于估计环境中对象的移动。因此，属于所有物体的姿势及时跟踪。为此，如[中的常见的Kalman-Filter方法）应用于[7.］．通过根据线性运动模型预测对象运动并使用最近的邻权标准，跟踪方法将与每个对象相关联在时间相应的对象在以前．在这些时间步骤之间，机器人的自我运动被测量和补偿车轮里程计。从随后的时间步间物体位置的变化，得到绝对速度以及移动的方向在当前的时间估计。接下来，估计的速度被用来分类跟踪对象的动力学遵循直接的度量:

如果速度等于或超过阈值，则假设对象是动态的。否则，对象被归类为静态对象。如果当前对象和以前的对象之间没有可能的数据关联，则假设对象的动态是未知的。

然后，利用跟踪的对象对短时记忆中扫描点的动态进行分类。为此，每个扫描点检查是否有一个对象存在包括扫描点的。如果包含在一个对象中，使用对象的动态。否则，动态被认为是未知的：

在短期记忆中，结果存储在二维扫描中这对应于扫描随着跟踪方法分类的每个扫描点的动态。

4.3。长期记忆

障碍表示在长期内存中假定为占用网格图。占用网格是将空间二维镶嵌到离散单元中，每个单元存储其状态的概率估计。跟随Elfes的工作[15.]，国家与每个细胞相关联被定义为与两个状态的离散随机变量被占领的(OCC)和空的（EMP）。由于这两个国家都是独家的，并且彻底的概率遵循规则．

长期内存的更新步骤基于扫描表示在短期内存和当前机器人姿势．决定哪个扫描点要从短期转移到长期记忆，由Biber和Duckett的工作启发的更新规则[9.] 用来。取决于更新率，通过对STM中的每个新2D扫描执行以下步骤来随机选择LTM的更新过程的扫描点：（一世）选择全部扫描点与=当前2d扫描的静态;(2)选择从静态扫描点中随机选择扫描点;（iii）添加扫描点到临时集．

对于每一个新的二维扫描，在STM，集合最初的定义是．

如本节所定义4.1，扫描源于机器人坐标．用于更新障碍表示在世界坐标，坐标变换对于坐标以及每个扫描点的不确定性适用。随着姿势机器人的扫描点在世界坐标中计算如下：根据（4.）和（7.），扫描点以及机器人的姿势受到不确定性的影响。因此，世界坐标中扫描点的所得到的协方差矩阵计算如下：这里，雅可比矩阵在变换扫描点和的位置是否线性化定义姿势和扫描点的组合协方差矩阵：

扫描点和协方差矩阵在全局坐标中，每个扫描点的结果概率分布定义如下：

该概率分布用于更新elfes描述的障碍物表示[15.使用贝叶斯推理。

4.4。半谱分类

在长期障碍表示的更新步骤之后，用于对短期记忆中的半迷幻障碍进行分类。因此，对于每个扫描点在短时记忆中，障碍表征如果障碍物在扫描点的不确定度范围内，则进行检查。如果在映射中没有发现与扫描点等价的东西，则将动态设置为半静态。分类扫描点存储在集合中在短期记忆中。

5.路线代表

可以用于自主导航的路由由集合定义的可能的路线：

每条路线的有向集航点：在哪里是全球笛卡尔坐标的航路点位置定义接近航点的最大速度。两个后续航点之间的路线走廊的宽度和是由的即从路线中心线到边界边缘的垂直距离。表示后续航点之间所需的旅行时间和,表示此路由的任何参数的最后更新时间。

路由表示的更新过程是在我们之前工作的基础上进行的。有关详情，请参阅[16.］．

5.1。短期记忆

在短期内存中，估计机器人的路线段估计。因此姿势机器人相对于路线表示计算在长期存储器中。这是通过计算相对于所有可用路由的姿势来完成的选择与路线的横向距离最小的姿势。如果相对姿势在路线的边界内，存储在短期内存中。

5.2。长期记忆

相对姿势用于更新路由表示在长期记忆中。这里我们区分了两种情况。如果姿势在给定的路径走廊中，路线的航路点更新。毗邻坐标航点，旅行时间和时间一旦机器人通过该路线段，则更新。以防这个姿势在现有路由表示之外，添加了一个新路由．为此，每当距离增加一个新的路径点到表示中或角度差异到最后一个航点超过预定义的阈值。另外，在长期记忆的每个更新步骤中，考虑路线知识的年龄。每当长期存储器中的路由表示比机器人更新而不是特定阈值，就会从长期内存中删除路由并忘记。

本文提出的存储模型用于解决机器人的导航任务。因此，将时空表示集成到自主系统的定位、路径规划和车辆控制中。

6.1。本土化

对于定位，使用蒙特卡罗定位，如[17.］．定位的感官输入是2D扫描所有扫描点．在这个扫描中，只有扫描点被分类为静止的被视为本地化。作为本地化的参考图，静态障碍地图在时间的长期记忆中用来。维护，搜索LTM中的所有障碍物映射，用于最适合当前感官输入的地图．这是通过计算LTM中的每个障碍地图的预期距离测量值，并选择测量值和预期距离测量值之间的总体均方误差最小的地图来实现的。

6.2。路径规划

对于路径规划，来自当前机器人姿势的最佳路径到给定目的地的搜索。考虑存储在LTM中的路由数据，实际的路由表示用于路径规划。在所有可接受方式的代表中，路径规划是使用众所周知的搜索算法。该算法计算从起始姿势到给定目的地的最低成本路径最小化沿途的整体行驶时间。沿着每条路线估算旅行成本，使用存储在LTM中的旅行时间和目的地剩余成本的启发式估计。启发式估计基于从直线距离的行驶时间除以最大的机器人速度。

规划算法的结果路径是一个集合的航点：

这些路径点定义了合成路径的基本轨迹以及沿着路径的走廊宽度。

6.3。车辆控制

遵循预先预分的路径由HentsChel等人引入的混合反馈控制器实现。在 [18.］．该控制器能够精确跟踪计划路径以及避免障碍。障碍物避免由两部分组成，基于当前的感官数据，避免反应障碍物以及全球路径重新规划。反应性避障是通过调整机器人相对于路径的基本轨迹的侧向偏移来实现的。对于每个路径段，其侧向位移均以路径走廊的侧向边界为上界．在避免障碍物旁边，车速减小了与感知障碍物的距离。另外，对全局路径重新恢复进行以避免反应地避免的脉冲障碍物。对于全局路径重新扫描，目前的障碍地图被认为是。在已知的障碍物配置下，搜索最优的运动命令组合，以绕过障碍物并尽快返回到障碍物后面的路径．这种运动搜索在障碍地图中也做得很好算法。

7.实验结果

7.1。实验装置

为了展示所提出的存储器模型对自主移动机器人的长期航行的应用程序，进行了现实世界的室内实验。为此，一个Irobot Roomba Se吸尘器(见图3.)作为机器人平台。接收差动驱动器的里程测量值，并通过开路以10hz的速率发送运动命令Roomba串行命令接口(SCI)．对于环境感知，机器人配备了一个Hokuyo urg-04LX2D激光范围扫描仪，视野为240°，最大范围为4米，更新速率为10 Hz。所有所需的导航算法以及数据采集都是实时计算的AMD Geode LX800嵌入式PCLinux / Xenomai.机器人船上的实时操作系统。对于评估目的，所有感官数据也是如此。

该实验在公寓式环境中进行，尺寸为8米10米。工作区包括橱柜，桌子，沙发和花盆等典型公寓家具。对于机器人，提前给出关于环境的初始知识（见图4.)．这些知识包括墙在环境中的位置以及所需的路线。

环境中的障碍提前未知，必须由自适应存储器模型自动学习。

在这种环境中，机器人在每天一次运行一次性自动运行四周（28天）。在第一周，环境完全静态，而在第二周中插入各种更改。这包括新障碍以及改变障碍配置。对于第三周，两个人正在进入环境，影响并遍历机器人的路径。在实验的最后一周，环境仍然是静态的，但在第22天的第22个部分中，路径完全被障碍物阻挡。

在该实验中，存储器模型如下参数化：,．对于长期记忆障碍地图的网格大小，选择50mm × 50mm。设置长时记忆的更新速率为．通过这种方式，使用短期内存中的5％的静态2D扫描点来更新LTM。在实验期间，机器人的顶速为0.2米/秒。检测动态障碍的阈值被定义为．

7.2。地面真理

为了评估定位结果随时间的变化，需要机器人姿态的地面真实数据。由于我们考虑的是自主机器人的整个导航周期，在运动过程中必须有地面真实数据，而机器人的路径可能会随时间而变化。

为此，使用平方尺寸为25mm的15个人工反射器标记。标记位于理想路径的中心线上的常规距离，并在其位置手动调查。在运动期间，通过额外的反射器检测反射器生病的S300.2d激光扫描仪扫描机器人前方的地面(见图)3.)．在0.5μm的横向距离内，在机器人坐标中测量反射器位置。利用机器人定位的姿势，计算全局反射器位置，并与地面真理反射器位置进行评估。

7.3。结果

在此实验期间，机器人的总距离为1225米，完全自动地获得了37800 2D扫描。从图中的初始表示开始4.，学习了新的障碍并增加了长期代表。数字5.代表第七天之后的LTM。

在短期内存中，不属于动态对象并且不包含在长期地图中的扫描点被分类为半迷谱。随着障碍物的呼气随着时间的推移冷凝，在第七天，2D扫描中包括的2D扫描中包含的半扫描点数的平均数量从23％到3％（见图6.)．在第二周，障碍配置每天都在改变。因此，包含在二维扫描中的半静态点的百分比增加到平均9.5%。由于动态对象的存在，动态扫描点的数量在第三周从平均0.5%上升到9.2%。由于环境在最后一周保持静态，动态和半静态扫描点的百分比与第一周结束时相当相似。

通过对LTM环境的累积知识，在第七天，在第七天的第一个至0.09米的地位上的平均误差从0.14米下降（见图7.)．由于在LTM中没有等价的障碍表示，第二周障碍构型的变化会导致位置误差的增加。特别是在第9天，最大位置误差增加到0.48 m。在这一天，一个大的障碍被插在尖端（见图5.)挡住了大多数已知的障碍物。实验中，平均位置误差为0.11 m。

为了证明我们所提出的方法的优点，我们将位置误差与一种常见的静态蒙特卡罗定位方法进行了比较。这是通过使用记录的感官数据和图中的初始知识进行后处理来完成的4.作为环境代表。

使用静态MCL，注意到位置误差高于使用我们的自适应方法时的位置误差。此外，在第8,9,10和11天，由于遮挡环境中的大部分壁的障碍物构造，静态定位不能计算姿势估计。

在第22天，路线被障碍阻挡（见图8.)．通过使用全局路径复制和LTM中的障碍物表示，机器人避免障碍物并遵循初始路线，适应LTM中的路线表示。

8.结论

提出了一种适应变化环境下自主移动机器人长期导航的自适应记忆模型。所提出的记忆模型包括三种基本存储:感觉记忆、短期记忆和长期记忆。通过使用时间并行存储，记忆方法允许时间变量环境数据的空间和时间表示。本文将障碍物和路线数据集成到内存中。通过对随时间变化的存储信息进行分析，将环境知识压缩并用于自主移动机器人的导航任务。

未来的努力将集中精力加强关于长期运营的实验，并将活动扩展到户外环境。另外，应该存储在存储器模型中的更多的环境信息，例如对象表示。

参考文献

C. Urmson, J. Anhalt, D. Bagnell等人，《城市环境中的自动驾驶:老板和城市挑战》，野外机器人学报，卷。25，不。8，pp。1556-4959，2008。视图:出版商网站|谷歌学术
J.Prickerhof，A.Nüchter，K.Lingemann和J. Hertzberg，“6D Slam的明确循环关闭技术”第四届欧洲移动机器人会议的诉讼程序（ECMR'09），Mlini / Dubrovnic，克罗地亚，2009年9月。视图:谷歌学术
M. Soika，S. Pook和W.Fafien，“具有3D激光测量的自主机器人导航”国际机器人国际研讨会, 2006年。视图:谷歌学术
O. Wulf, D. Lecking，和B. Wagner，“基于3D天花板结构的工业环境中健壮的自我本地化”IEEE / RSJ智能机器人和系统会议的诉讼程序（IROS'06），第1530-1534页，2006年10月。视图:出版商网站|谷歌学术
D. Fox, W. Burgard和S. Thrun，“动态环境中移动机器人的马尔科夫定位”，人工智能研究杂志， 1999年第11卷，第391-427页。视图:谷歌学术
S. Thrun, M. Beetz, M. Bennewitz等人，“概率算法和交互式博物馆导游机器人Minerva，”国际机器人研究杂志第19卷第2期11，页972-999,2000。视图:谷歌学术
C. C. Wang, C. Thorpe, and S. Thrun，“基于检测和跟踪移动目标的在线同步定位和测绘:拥挤城市地区地面车辆的理论和结果”，发表于IEEE机器人和自动化国际会议的诉讼程序（ICA'03），pp。2003年9月842-849。视图:谷歌学术
D.Hähnel，D. Schulz和W.Burgard，“地图建筑用移动机器人在人口稠密的环境中，”IEEE / RSJ智能机器人和系统会议的诉讼程序，pp。2002年10月496-501。视图:谷歌学术
P. Biber和T. Duckett，“移动服务机器人长期运行的动态地图”机器人的诉讼程序：科学和系统（RSS '05），第17-24页，马萨诸塞州剑桥，2005年6月。视图:谷歌学术
C. Stachniss和W.Burgard，“在非静态环境中移动机器人映射和本地化，”第20届全国人工智能会议和人工智能大会第17次创新应用的诉讼程序（AAAI '05 / IAAI'05），pp。2005年7月1324-1329。视图:谷歌学术
D. Meyer-Delios，J. Hess，G. Grisetti和W.Burgard，“半静态环境中稳健的本地化的临时地图”IEEE / RSJ智能机器人和系统国际会议的诉讼程序（IROS'10），pp.5750-5755，台北，台湾，2010年。视图:出版商网站|谷歌学术
F. Dayoub和Duckett，“基于自适应外观的地图，用于移动机器人的长期拓扑定位，”IEEE / RSJ智能机器人和系统国际会议的诉讼程序（IROS'08），第3364-3369页，2008年9月。视图:出版商网站|谷歌学术
R.C.Atkinson和R.M.Shiffrin，“人记忆：建议的系统及其控制过程”学习心理学与动机斯宾塞(K. W. Spence)和J. T. Spence, Eds。，卷。2那pp. 89–195, Academic Press, New York, NY, USA, 1968.视图:谷歌学术
O. Wulf, C. Brenneke，和B. Wagner，“3D传感器数据的机器人导航彩色2D地图”IEEE / RSJ智能机器人和系统国际会议的诉讼程序（IROS'04），PP。2004年10月2991-2996。视图:谷歌学术
A. Elfes，“使用占用网格进行移动机器人感知和导航”电脑第22卷第2期6，第46-57页，1989。视图:出版商网站|谷歌学术
M. Hentschel和B. Wagner，“自主移动机器人长期导航的自适应路径规划”第四届欧洲移动机器人会议的诉讼程序（ECMR'09），Mlini / Dubrovnik，克罗地亚，2009年9月。视图:谷歌学术
O. Wulf，M.Khallaf-Allah和B. Wagner，“在复杂的室内环境中使用3D数据进行蒙特卡罗本地化，”第二届欧洲移动机器人双年会议(ECMR '05)论文集，pp.170-175，安科纳，意大利，2005。视图:谷歌学术
M. Hentschel, O. Wulf，和B. Wagner，“汽车机器人的混合反馈控制器——结合反应性避障和全局重新规划，”集成计算机辅助工程第14卷第2期1，页3-14,2007。视图:谷歌学术