当前,移动机器人被广泛应用在各个领域,机器人自主探索与环境建模技术也获得了大量的关注。虽然在特定规则环境下,该项技术已取得一定研究成果,但是面对复杂三维地形应用场景时,仍存在一些技术瓶颈。故本文特别针对复杂三维地形条件下的自主探索与环境建模技术进行分析和研究,提出了一套安全高效的自主探索和环境建模技术路线。在实际野外环境中对该算法进行了验证,完成了预定技术目标,取得了良好的效果。本文的贡献在于,具体对自主探索和环境建模技术中的三个子问题:自主探索策略、自主定位技术及环境建模技术分别提出了新的解决方案:第一,提出了新的基于点云地图的自主探索策略,改进了传统的基于边界的探索方案,转而基于可达性地图分析和K-mans聚类算法来定义和优选候选探索目标点,在三维复杂环境下保证了探索的安全性,减轻了计算负担,提高了探索效率。第二,研究了基于卡尔曼滤波的多传感器融合定位框架,提出了模糊推理系统融合多传感器测量信息,根据传感器观测的机器人运行工况,实时估计各传感器置信度,自适应调整传感器融合参数,将传感器之间的优势互补,减轻单一传感器在复杂工况下的定位不可靠性,最终达到了1%的定位精度。这为探索过程中地图匹配与融合提供了良好的初始化信息。第三,研究了基于变分辨率简化的三维点云地图融合技术。首先,通过自主探索策略,决定最高效的环境观测位置,建立环境的局部地图;然后根据定位系统数据,融合不同视角下的局部地图于全局环境地图中;最后,采用了ICP点云匹配算法优化复杂三维地形的地图融合效果。为了获得高精度融合地图,利用了变分辨率的地图简化方法,仅保留环境的丰富特征,而过滤大量冗余点云,为ICP匹配提供特征参考,大大地提高了地图建模精度。经过这三个方面的改进之后,优化了对复杂地形的探索方案,提高了探索效率和安全性。在环境建模方面,多传感器融合定位技术为地图融合提供了准确的初值,变分辨率简化技术进一步提高了非结构化点云模型的匹配效果,改善了环境建模精度。最终组成了一个完整的复杂三维地形下的自主探索与环境建模技术路线。