同步定位是同步定位与地图构建技术(Simultaneous Localization and Mapping,SLAM)中的重要部分,是智能机器人实现自主行动判断、实时定位导航和地图构建所需要的关键技术,同时也是智能机器人技术向更高层次发展的重要基础。智能机器人进行同步定位的基本原理是,通过获取周围环境的信息来实时确定自身在周围环境下的相对位置。根据智能机器人在室内复杂环境下的同步定位要求,本文在传统视觉SLAM基础上,结合深度学习技术进行智能机器人的同步定位研究。本论文内容安排如下:1.研究了视觉信息的获取方式和处理方法。首先,介绍各种视觉传感器并比较了它们的优缺点,根据比较结果选择了深度相机作为视觉信息的获取设备。然后,对深度相机进行建模,构建物体与图像之间的映射关系。随后,介绍了几种图像特征,通过比较选择了计算复杂度低且鲁棒性好的ORB(Oriented FAST and Rotated BRIEF)特征。最后,利用ORB特征对实验图像进行特征提取与匹配。2.研究了机器人搭载相机的运动模型和相机位姿的估计方法。首先,对智能机器人的运动过程进行分析并建立相应的相机运动模型。然后,依据运动模型对相机的位姿估计进行研究,具体方法为利用在不同相机位姿下深度相机拍摄的图像及其对应的深度信息,得到不同相机位姿下所提取的图像特征点的坐标信息,并根据匹配到的特征点的几何关系,估计出相机的位姿变化。最后,介绍了线性估计和非线性估计两种相机位姿估计方法,通过实验对比选择了计算复杂度低的线性估计作为位姿估计方法。3.针对传统视觉SLAM会因动目标特征的干扰而产生显著的相机位姿估计误差这一问题,提出了基于行人检测的位姿估计优化方法来减小估计误差。首先,设计了基于卷积神经网络的行人检测网络模型并对网络模型进行训练,利用训练好的网络模型进行行人检测与定位算法设计。然后,对相机位姿估计方法进行改进,具体方法为在进行特征提取时先剔除属于行人图像区域的特征点,再进行特征匹配和相机位姿估计。随后,通过实验对上述算法进行验证,从而证实该方法的可行性和有效性。最后,根据智能机器人的具体运动情况并基于计算复杂度低、估计精度高的要求,利用本文的理论和算法进行SLAM前端设计,并对设计的前端进行仿真测试。