近些年来,随着人工智能技术的不断发展,智能移动机器人在人类生产生活中的作用日益增强,可替代人类完成巡逻、勘测、运输、救援等多种任务。即时定位与地图构建技术(Simultaneous Localization and Mapping,下文简称SLAM)是智能移动机器人领域的关键技术之一,即机器人从未知的环境中通过自身传感器获取的数据流来进行定位和增量式建图的过程。但如今大部分SLAM技术都假设环境是静态的,此强假设限制了大多数SLAM技术的应用范围。场景中的动态物体会造成许多错误的数据关联,导致系统不能准确得进行定位和建图。为解决此问题,本文提出一种基于ORB-SLAM2框架的动态场景视觉SLAM算法。第一,在系统中使用基于格网运动统计的稳健匹配算法(Grid-based Motion Statistics,下文简称GMS),主要利用相邻像素间的一致性约束,并将这种约束封装成区域对之间的统计特性。依据正确匹配点和错误匹配点在统计特性上的分布差异,设定阈值进行判别,从而去除动态物体上的错误匹配点;第二,在系统初始化过程中加入滑动窗口机制,建立不含动态对象特征点的静态初始地图。由于相机帧率较高,相邻帧之间动态对象的运动幅度不明显,仅依靠GMS无法有效去除。滑动窗口机制则实现了在初始化过程中第一帧与第9)帧图像之间的特征匹配(9)表示滑动窗口的大小),提高了初始地图点的质量;第三,对于RGB-D数据集,我们加入基于关键帧的静态稠密地图构建线程,在此线程中,通过YOLO v3目标检测网络和动态特征提取算法,精确去除关键帧中的动态区域,最后使用静态区域的像素信息和深度信息在线建立静态稠密地图。本文在TUM和KITTI公开数据集上进行对比实验,其中包含单目、双目和RGB-D三种传感器数据。我们分别在室内低动态场景、高动态场景以及室外大场景中进行测试,主要使用绝对轨迹误差(ATE)和相对位姿误差(RPE)两个定量指标,从轨迹的绝对精度和漂移程度两方面对系统定位结果进行评定。另外,我们还进行了室内高动态场景的静态点云地图重建实验。实验结果表明本文提出的动态场景SLAM算法充分剔除了动态对象的影响,在室内高动态场景中的绝对轨迹精度相较于传统方法提升了96.06%,并可以在线生成不含动态目标的静态点云地图,具有较高的信息复用价值。