室外物流配送机器人是近年来新兴的一类服务型机器人,它旨在解决物流配送末端“最后一公里”的问题。近年来,京东、阿里等各大互联网公司都在相继发展室外物流配送机器人的相关技术。物流配送机器人的关键技术继承于乘用车无人驾驶技术但与之又有所区别,一方面,因为配送机器人的体积小、空间有限,所以它无法像乘用无人车一样搭载高功耗的高性能处理器,另一方面,为了能够让物流配送机器人实现商业推广,需要较高成本的高精度传感器如64线三维激光雷达也不能被使用。如何在有限的运算资源、有限精度传感器以及有限的整车成本条件下实现室外物流配送机器人自主配送,这对其技术层面提出了更高的要求。高精度高鲁棒的定位能力是移动机器人自主导航的基础,同步建图与定位技术(Simultaneous Localization and Mapping,SLAM)是移动机器人实现高精度定位的重要手段。例如,室内服务型机器人常利用二维激光SLAM实现定位,该方法在室内效果较好,但在室外条件下,由于路面颠簸不平等原因,二维激光时常测得错误激光点从而导致定位失败。室外无人车常利用GPS与三维激光共同实现高精度定位与建图,但由于三维激光的成本较高,很难将这一技术在无人车上进行商业推广。因此,本文希望以视觉同步定位与建图(V-SLAM)为基础来解决配送机器人在室外定位的问题。视觉传感器低廉的价格以及丰富的特征信息使它具有先天的优势,然而,单一的视觉传感器在室外条件下表现得不够稳定,例如在光线变化剧烈或出现庞大的动态物体时视觉特征会丢失导致定位失效,尺度不确定性问题也一直是单目视觉进行定位时常常被诟病的地方。另外,在室外大范围环境下,为了消除累积误差需要进行的回环检测和位姿图校正也对计算资源提出了更高的要求。它们均不利于VSLAM在室外物流配送机器人上的应用。针对上述问题,本文利用GPS、IMU以及视觉传感器实现紧融合的同步建图与定位。GPS、IMU和视觉传感器各有优劣:GPS的测量值不具有累积误差,但是常会因为高楼或树荫等环境的干扰,出现较大的定位误差;IMU在短期内积分位置准确但是长期下偏差较大;视觉传感器信息丰富但动态特性较弱。因此,本文的主要工作是对这三个传感器进行优势互补实现融合定位与建图。首先,针对GPS易受环境干扰的问题,本文定义了GPS置信函数,该函数能够表示GPS信号约束的强弱;然后,利用k均值半监督聚法对GPS置信函数的参数进行辨识;利用该函数能够对新的GPS样本进行二分类,实验表明,该方法相比于人工设定判别阈值的方法而言更具实用性。针对单目图像的尺度不确定性、IMU偏移量的不确定性以及地理坐标与地图坐标的变换不确定性,本文对三个传感器初始化标定进行深入的研究。通过理论推导将各状态变量进行解耦估值得到了它们的初始值,为三个传感器融合定位与建图打下了基础。本文所提算法,是在单目ORB-SLAM的基础上,加入了IMU以及GPS约束。针对状态变量的增多导致建图的实时性下降的问题,提出了“动态局部窗大小”机制,该机制能够在保证定位与建图的精确度的条件下降低时耗,节省计算资源。最后,本文通过实验对算法定位与建图的精确性与时耗性两方面进行了检验。精确性方面,相比于原始的ORB-SLAM,本文算法消除了累积误差、还原了真实尺度,相比于松融合定位方式,它对不稳定的GPS信号具有较强的抗干扰能力;时耗性方面,本文算法在建图与位姿图校正两个线程上的处理时间都有了较大程度的减少,降低了对计算资源的要求。