本文主要研究基于RGB-D相机的室内移动机器人定位问题。针对Gmapping建图算法在大环境下建图的地图漂移问题,本文提出通过EKF对视觉里程计和轮式里程计进行融合,得到的融合里程计作为Gmapping的输入,改善地图漂移问题。针对初始位置未知情况下,蒙特卡洛全局定位的算法效率和准确性都大大降低的情况,本文提出通过视觉字典的方法确定初始位置,提高了蒙特卡洛定位的鲁棒性。同时,搭建了一套包括软件和硬件在内的室内移动机器人定位系统。其主要工作如下:首先,本文基于ROS的架构搭建了移动机器人室内定位研发平台。参考国内外优秀移动机器人的设计方案,完成了包括上位机和底层运动控制平台的移动机器人设计,能够完成定位、导航和避障等功能。下位机为运动控制平台,主要负责接收上位机速度指令以及返回里程计信息。上位机进行定位导航算法的验证,选择Kinectl作为主要的视觉传感器,在保证定位效果的同时,降低了整体的成本。然后,本文提出通过轮式里程计和视觉里程计进行EKF融合的方法,提高了单一里程计的运动估计准确性。本文详细阐述了轮式里程计和视觉里程计的运动估计原理,同时,阐述了这两种里程计的优缺点以及EKF融合里程计对两者的运动估计精度的改进。然后,将融合里程计作为Gmapping算法创建地图的输入,得到更为鲁棒的地图创建结果。最后,本文提出通过视觉字典的方法来改进经典的蒙特卡洛定位。经典的蒙特卡洛定位在初始位置未知的情况下,其定位准确性和效率都大打折扣,甚至会出现定位失败的结果。当移动机器人处于大场景下进行全局定位时,会出现粒子数无法覆盖整个地图的情况,而增加粒子数又会造成计算时间的增加。本文通过视觉字典的方法在全局地图中进行初定位。通过实时保存建图路径上的关键帧位置信息,可以建立关键帧全局地图。移动机器人在进行全局定位时,通过当前的视觉观测与关键帧地图通过视觉字典进行相似度评分计算,得分最高的一幅关键帧的位置即认为是当前机器人所在位置。通过初定位,大大提高了蒙特卡洛全局定位的效果。