1.一种应用于危险气体环境的机器人地图构建方法，其特征在于，该方法基于电动机器人设置，由两个直流电机带动驱动机器人行走，所述机器人上设置有激光雷达，包括以下步骤：步骤1：通过激光雷达感知外部环境的深度信息，激光发射器负责发射激光，接收器负责接受从障碍物反射回来的光线，计算出目标物距离，直流电机负责激光雷达的旋转，从而建立二维地图，转动一圈，获得一幅点云图像；基于编码器感知直流电机的转速信息，由转速信息进而得到速度信息和位姿信息，最终得到里程计数据信息；

步骤2：基于采集的里程计数据和激光雷达数据，引入蚁群算法优化Gmapping算法的重采样过程，实现机器人的二维栅格地图构建和即时定位；

步骤3：基于全局路径规划与局部路径规划相互配合，形成机器人自主导航的路径规划，采用A*算法来实现全局路径规划，采用DWA算法来实现局部路径规划和动态避障。

2.根据权利要求1所述的应用于危险气体环境的机器人地图构建方法，其特征在于，所述步骤2中的Gmapping算法来实现机器人的二维栅格地图构建和即时定位具体方法为：根据条件贝叶斯法则，有：

p(x1:t,m|z1:t,u1:t‑1)＝p(m|x1:t,z1:t)·p(x1:t|z1:t,u1:t‑1)其中，p(x1:t,m|z1:t,u1:t‑1)为激光雷达信息和里程计信息来估计环境地图和机器人轨迹的联合后概率；p(x1:t|z1:t,u1:t‑1)为定位概率问题，利用里程计数据和激光雷达的观测对机器人的位姿进行估计；p(m|x1:t,z1:t)为地图概率估计问题，由当前机器人位姿可以对增量式m地图进行更新；

1)在计算提议分布时把激光雷达传感器观测考虑进去，将采样过程集中到更有意义的(i)似然函数峰值区域L 进行，使用高斯分布对观测似然峰值区域近似，从而得到优化的提议(i)分布，高斯分布参数 和 由在区间L 内的K个次采样点确定：(i)

其中，归一化因子η 为：

对于每个粒子，给予其一个权重，以便于后续的重采样步骤使用其粒子权重，权重的计算方式如下：

2)利用有效采样尺度标准来衡量粒子集的优劣，并决定何时实施重取样过程，公式如下：其中， 是第i个粒子的权重，粒子集对提议分布的估计越差，Neff越小。

3.根据权利要求2所述的应用于危险气体环境的机器人地图构建方法，其特征在于，在利用Gmapping算法来实现机器人的二维栅格地图构建和即时定位时，利用蚁群算法改进Gmapping算法的重采样过程，具体操作如下：通过已知随机动态系统先验概率密度分布p(x0)，进行N次采样得到t＝0时刻的初始粒子 每个粒子对应的初始权值为对于i＝1,…,N，根据 采样新粒子

根据当前的观测值yt，计算每个粒子 的权值：

剔除估计值与真实值异号的粒子：

当 时，则令权值 反之，权值保持不变；

再归一化粒子权值：

在第t时刻第i个粒子转移到第j个粒子的转移概率集 比较获得转移概率最大值 并设置转移概率阈值为λ；当 时，令 当 时，令更新粒子集 每个粒子所对应的权值集为 输出状态估计值

同时使t＝t+1。

4.根据权利要求3所述的应用于危险气体环境的机器人地图构建方法，其特征在于，在利用蚁群算法改进Gmapping算法的重采样过程中，还对蚁群算法进行了改进，提出自适应蚁群算法：采用伪随机状态转移规则，新的状态转移公式如下：其中：q是一个值在[0,1]之内的随机数；q0是前两次迭代中最短路径长度的比值，当q≤q0时，蚂蚁将从其当前所在节点i的相邻节点中选择启发式函数值和信息素浓度积最大值的节点作为移动的下一节点；当q＞q0时，该蚂蚁则首先计算出下一可选节点集合中各节点启发式函数值和信息素浓度的积，再利用轮盘赌的方式确定下一节点。

5.根据权利要求4所述的应用于危险气体环境的机器人地图构建方法，其特征在于，利用自适应蚁群算法优化Gmapping算法的具体步骤如下

1)对里程计所接受的数据信息和激光雷达数据信息进行预处理，对于所需参数进行初始化；

2)激光雷达数据转化成粒子，多粒子形成了点云信息，对点云信息进行线性拟合，判断点云波动量是否大于所设定的阀值；

3)判断点云波动量是否大于所设定的阀值，若判断点云波动量大于所设定的阀值，则进行下一步；反之，若判断点云波动量小于所设定的阀值，则减少粒子数，转至步骤5)；

4)进行自适应优化，采用所述伪随机状态转移规则，增加粒子多样性，提高蚁群的全局搜索能力；

5)扫描匹配，从优化提议分布中采样，并计算出当前粒子的权重；

6)输出全局极值点和最优个体值，并重新计算粒子权重和归一化处理；

7)根据有效粒子数进行选择性重采样，即设定阀值；当有效粒子数小于阀值时，则进行重采样；反之，则不进行此操作；

8)依据粒子的权重，将当前粒子划分为高权重区和低权重区；

9)判断高权重区的粒子数n是否大于设定的阀值，若小于阀值，则进行下一步的寻优操作；反之，则直接跳转到步骤11)；

10)计算全局最优值，进行蚁群优化处理，同时计算各粒子与最优粒子间的吸引度，进而进行寻优，将权值较小的粒子在粒子的最优预测区域迁移；若达到迭代次数或者精度，则停止寻优，否则继续执行步骤10)；

11)更新地图。