随着计算机技术和传感器技术的迅速发展,人们对机器人的智能化程度要求越来越高,而利用移动机器人对未知环境的感知则是机器人智能化研究的热点和难点。移动机器人的同时定位与地图创建(SLAM,Simultaneous Localization and Mapping)则是其中一个重要的基本问题,有效地解决SLAM问题被认为是真正实现移动机器人智能化的关键技术之一。近些年来,随着计算机视觉研究的发展,视觉传感器逐渐地被应用到SLAM问题中。因此,视觉SLAM逐渐兴起成为了SLAM研究领域中的重要研究方向。当前RGB-D SLAM算法存在的主要问题包括:当前算法的效率低,不能满足实时性要求;此外,当前算法的精度较低误差较大,计算出的机器人位姿和运动轨迹通常会偏离真实值,并且随着时间增长偏离值会越来越大。针对现有算法存在的问题,本文对基于Kinect相机的RGB-D SLAM算法提出了以下改进方法:(1)在特征检测与描述符提取阶段本文使用双阈值检测FAST(Features from Accelerated Segment Test)特征点并结合四叉树原理对ORB(Oriented FAST and Rotated BRIEF)特征进行改进,即使用改进的ORB方法进行特征检测与描述符提取。(2)在特征匹配阶段使用基于网格的运动估计(GMS,Grid-based Motion Statistics)和特征方向相融合的去除误匹配方法对匹配结果进行优化。(3)在SLAM前端计算代价问题,本文将Grid加速方法应用于特征提取与匹配步骤中,以便提高算法的计算速度。本文使用TUM提供的标准测试数据集对改进算法进行了测试与对比分析,并使用自己录制的实际环境测试数据和基于Turtle Bot2机器人平台进行真实环境下的改进算法测试。实验结果表明本文所提出的RGB-D SLAM算法改进方法不仅能够满足实时性需求,而且能够极大地减小算法误差,提高算法精度,由此也证明了本文所提出的RGB-D SLAM算法改进方法的有效性。