机器人所搭载的相机在源源不断的拍摄环境中的图像，从这些图像中，我们提取了有辨识度和独特性的特征。根据图像帧中特征的数量以及帧与帧之间的相似程度，我们从海量的图像数据中筛选出最具代表性的数据--即关键帧，并将关键帧、车辆姿态信息以及关键帧之间的匹配信息通过网络传送给服务器。

服务器在获取到图像关键帧、车辆姿态信息以及关键帧之间的匹配信息后，利用图优化的方法，根据观测模型、运动学模型对所有数据建立方程式，并使用迭代的方式将误差优化至最低，从而离线的建立视觉特征的三维地图。

移动机器人在进行定位导航的过程中，依然不断的将关键帧等相关信息传送给云端服务器。服务器则根据关键帧的匹配程度，特征出现的频率，动态的调整特征的权重，丢弃观测频率较低的特征，并不断的优化观测频率较高特征的三维位置。

对于叉车式移动机器人，系统调度的难度大，它不同于其他车辆调度问题，移动机器人调度的难点在于：

① 运行距离相对较短，不同于车辆调度，在道路上可以看作是一个点

② 空间狭窄，道路容量低，容易发生碰撞、活锁以及死锁

这就导致了叉车是移动机器人的调度无法使用较为成熟的车辆调度方法，而必须使用计算量较大的定制的调度方法。所以云端调度不可或缺。 我们使用时间窗以及管制区域的方法对车辆进行云端调度。

1.系统成本低
2.使用方便

在出厂前，机器人会经过大量的离线测试，并通过系统辨识的方法获取机器人的粗略的运行参数。而在实际运行中，控制系统则会根据离线获取的运行参数，使用预测控制与自适应控制方法，实时的进行在线微调与优化，动态的调整控制指令，从而快速精准的达到控制目标。

市面上的叉车式机器人厂商普遍通过停位精度来标识产品的性能。对于他们来说，正确插取货物只能通过限制移动机器人的停位精度与货物摆放精度来保证，这往往意味着高精度的插取需要安装额外的货物限位机构；与之不同的是，我们的无人导航叉车系统并不使用传统机器人的思路来保证货物的正确插取。插取货物时，我们通过二维激光或三维TOF相机对托盘进行观测与识别，再根据反馈的数据实时的规划最优路径，自适应的插取货物。

1.快速施工，无需安装限位结构；

2.更易使用，便捷的人机协作；

3.稳定高效，流畅运行。

机器人搭载的相机，可以源源不断地拍摄得到环境的图像，我们可以从中提取有辨识度和独特性的信息，包括墙体、货架等固定物体，二维码等人工标识，以及线段、交叉点等几何结构，这些信息构成了外部环境中特定物体的特有标签，犹如现实世界中城市里的各种路标和门牌，让移动机器人可以判断自己身在何处。

将离线地图和现场施工图配准之后，给定地图里的特定目标点，我们就可以根据系统维护的当前多车运行的工况，计算出某车前往目标点在地图上的最优路径。