第一部分：
（1）基于开放式街区地图OSM，在城市街区结构化的目标密集拥挤环境下，研究python进行环境地图搭建和模拟。
（2）基于OSM，研究单目视觉室外移动机器人的全局实时动态路径规划，研究视觉感知实现目标拥挤环境中的静态对象识别和分类，如停放的汽车、电动车和静止不动的路人。
具体要求：
（1）载入OSM，机器人系统获取相关结构化信息。通过雷达传感器、避障传感器（如红外传感器、超声波传感器等）以及惯性传感器等采集机器人周围环境的信息，采用Python方法建立二维网格地图，如图4 1，对复杂的环境进行模拟，减小建模的复杂性，为室外移动机器人的路径规划创造基础条件。
（2）针对单目视觉感知的室外移动机器人路径规划，拟选择改进的YOLO算法实现对复杂环境中静态对象的识别和分类，采用CNN、DCNN进行全局路径规划。
（3）针对视觉感知的室外移动机器人在全局未知拥挤动态环境下的实时动态路径规划，在视觉感知、行动决策的基础上加入时空信息，采用上述所提及的方法实现实时动态路径规划，拟通过仿真加实地实验验证方法的有效性。
第二部分：
基于视觉SLAM，研究双目视觉室外移动机器人的局部实时动态路径规划，研究目标拥挤动态环境中的视觉感知模式识别，比如行驶中的汽车、电动车和街路上的行人。
具体要求：
（1）针对双目视觉感知的室外移动机器人路径规划，拟采用基于双目视觉及其辅助传感器多传感器融合感知的改进的YOLO算法对动态对象进行模式识别，采用CNN、DCNN进行局部路径规划，其中，多传感器信息融合拟采用卡尔曼滤波法或神经网络法。
（2）针对视觉感知的室外移动机器人在全局未知拥挤动态环境下的实时动态路径规划，在视觉感知、行动决策的基础上加入时空信息，采用上述所提及的方法实现实时动态路径规划，拟通过仿真加实地实验验证方法的有效性。
第三部分：
基于OSM和视觉SLAM，研究多视觉室外移动机器人的全局加局部的混合实时动态路径规划，实际上也是研究全局未知目标拥挤环境下的实时动态路径规划，研究目标密集拥挤环境中的动静态障碍物并存的混合对象的视觉感知模式识别。
具体要求：
（1）针对多视觉感知的室外移动机器人路径规划，拟采用基于多传感器融合感知的深度学习DL和强化学习RL相结合的深度强化学习方法进行动静态混合的视觉图像模式识别，输入视觉图像给出行动指令，通过CNN、DCNN给出动态决策，实现全局动态路径规划。
（2）针对视觉感知的室外移动机器人在全局未知拥挤动态环境下的实时动态路径规划，在视觉感知、行动决策的基础上加入时空信息，采用上述所提及的方法实现实时动态路径规划，拟通过仿真加实地实验验证方法的有效性。