1.1.1 度量层环境感知技术
度量层环境感知技术指机器人利用底层传感器的度量属性，获取某些环境要素（如布局、结构和物体等）的度量信息，并直接基于此类信息形成对环境“识别”的技术。度量层感知结果由显式度量模型（Metric Model）给出，该模型描述的环境信息通常具有最细粒度，因此对模型精度要求较高。环境要素的精确度量模型有助于机器人准确地完成环境交互任务，而机器人如何能自主建立这类模型，是几十年来众多研究人员一直探索的问题。在度量层环境感知技术中，用于获取环境精确布局信息的度量地图（Metric Map）构建技术，一直是研究热点，至今仍存在许多未解决的问题，引起了众多专家、学者的关注；面向其他环境要素的度量层感知技术（如对象精确度量信息[3]）也得到广泛关注，这些技术在机器视觉、立体测量等相关研究的影响下快速发展。
度量地图构建技术通常用于建立面向导航的环境地图，该技术通过对底层传感器数据的分析，直接或间接地捕捉环境的几何属性。其环境模型构建过程通常摒弃了除度量信息以外的其他信息，所建地图仅具有环境布局的度量属性。度量地图尽管所含信息类型单一，但它能提供足够的导航信息，因此得以广泛应用。目前有关研究主要集中于以下几个方面：
（1）视觉SLAM（Simultaneous Localization and Mapping，同时定位和建图）技术
由于视觉传感器具有成本低、重量轻、易于小型化、所提供信息量大等特点，基于它的SLAM技术成为新的研究热点。Holmes等人[4]提出解决单目SLAM问题的SCISM（SLAM with Conditionally Independent Split Mapping，带条件独立分割映射的SLAM）算法，使得SLAM技术能够同时满足计算复杂性和一致性约束。Diaz等人[5]实现了一种能够在结构化环境下实时运行的6自由度单目SLAM系统。Zhu[6]在其论文中改进了SIFT（Scale Invariant Feature Transform，尺度不变特征变换）算法的特征匹配过程，给出了在室内环境中能保证高定位精度和计算实时性的双目SLAM方法。Lin等人[7]在“recall-1-precision”图标准下比较PLOT（Polynomial Local Orientation Tensor，多项式局部方向张量）和SIFT特征，认为PLOT特征更适用于视觉路标，进而基于PLOT特征实现双目SLAM。
（2）未知环境探索和建图
当机器人面对未知环境时，已有许多算法尝试将环境探索的路径规划过程同SLAM整合，以便规划出利于创建高质量地图的轨迹[8]，从而获得高质量环境地图。
（3）面向动态环境的地图构建技术
此类技术通常分为两类[9]：一是将动态物体作为噪声滤除；二是识别和跟踪移动物体，将动态物体作为状态估计的一部分。Huang等人[10]认为将多运动目标跟踪与SLAM整合在同一框架下，可以使两者相互受益，他们的初步实验证实了面对动态环境时基于该观点的算法的可行性和鲁棒性。
（4）多机器人同时建图
多机器人系统在处理效率、适应能力和作业精度等方面均优于单机器人系统，通过多机器人协调（Coordination）感知来提升对环境的感知能力已成为当下研究热点[11]。目前，这方面研究主要集中于基于多机器人协作的同时定位与地图创建（Cooperative Simultaneous Localization and Mapping，CSLAM），可分为集中式CSLAM、分布式CSLAM和混合式CSLAM[12]。
（5）3D环境建图
3D环境地图能够提供丰富的导航、环境操作、结构等信息，因此如何使机器人利用自身传感器自主地建立3D环境地图，引起了众多研究人员的关注。值得一提的是，用于建立3D环境地图的传感器，除传统3D激光雷达、立体视觉等传感器之外，近几年作为新环境感知传感器的RGB-D摄像机（商用产品如Microsoft Kinect和ASUS Xtion PRO等）引起了研究人员广泛关注，利用它构建3D环境地图的相关研究成为新的热点。Henry等人[13]在他们的论文中提出一种使用RGB-D摄像机生成室内环境的稠密3D模型的建图框架。Zou等人[14]提出的一种室内SLAM方法中使用了Kinect作为环境感知传感器，并发现在考虑速度和建图精度的情况下，ORB（Oriented FAST and Rotated BRIEF[15]）检测子和描述子更适于室内SLAM。我们可以发现，利用RGB-D摄像机获得的3D环境地图不仅含有传统度量信息，而且能够包含红、绿、蓝三个通道上丰富的视觉灰度信息，此类地图可以看作是扩展了视觉信息维的度量地图，也可以看作是一种广义度量地图（包含了对环境表观的视觉灰度的度量），因其所含环境信息丰富，相应建图和应用技术受到了广泛且深入的研究。
（6）非结构化环境建图
传统室内环境可以看作结构化环境，它们通常具有稳定的点、线或拐角等结构特征。随着人们生活理念（崇尚自由、追求个性、摆脱拘束等）、家电技术、家具/家居设计理念等的变化和发展，室内布局逐步呈现出非结构化态势；除此之外，在一些灾难性事件发生后，室内环境将出现显著非结构化特性，使得一些传统环境建图技术不再适用[16]。因此，非结构化环境下的机器人建图方法的研究成为社会发展的迫切需求，但其在技术上面临着许多新挑战。Pellenz等人[17]针对非结构化环境，利用一台带有伺服电机的2D激光测距仪同时完成精确2D SLAM和3D障碍物检测，所得到的占有栅格地图和障碍物地图融合为一幅导航地图，用于路径规划。Bachrach等人[18]开发出一种完全自主的带有激光测距仪的四旋翼飞行器，实现对非结构化、未知室内环境的自主探索和地图创建。
（7）其他环境要素的度量层感知技术
在度量层环境感知技术研究中，尽管度量地图构建技术已形成一个庞大的研究领域且具有极为重要的地位，然而相关技术并不仅局限于此，面向其他环境要素的度量层感知技术也在迅速发展。与度量地图构建技术主要面向较大空间环境不同，其他度量层感知技术研究通常面向相对小的局部空间环境或对象，进而获取感兴趣的度量信息。在符合美国残疾人法案（American Disability Act，ADA）的环境约束下，Rusu等人[19]提出一种从激光传感器获得的点云数据中检测门及门把手位姿的算法。Yamazaki等人[20]利用移动机器人上的单目摄像机捕捉目标物体的图像序列，以此重建未知目标物体的稠密3D形状模型。Krainin等[21]利用机器人手臂、抓手和RGB-D摄像机组成的系统，实现了对被抓持物体的3D建模。Alenyà等人[22]使用TOF相机和SL（Structured Light，结构光）相机实现了对可变形物体的感知，并应用于织物抓取和植物监视领域。
机器人与环境进行交互时，特别是发生物理交互时，有关行为信息必须在一定精度范围内才能捕获，位于最底层的度量层感知技术为此提供了基本保障。在一个完整的机器人系统中，该类技术为其他高层任务提供了基本的环境数据信息，不可或缺。