人工智能是当代背景下重要的技术,作为人工智能重要的分支,计算机视觉扮演着越来越重要的角色。同时定位与建图(Simultaneous Localization and Mapping,SLAM)是计算机视觉中的一个分支,主要应用在机器人行业中。机器人主要的任务是在未知环境中,使用自身携带的传感器感知周围的环境,通过SLAM技术能实现自身定位和地图构建。同时,多传感器融合技术的发展也增强了多传感器机器人在定位和导航上的表现。目前该技术已经非常成熟地应用在无人驾驶汽车产业中,并且在无人机、虚拟现实、增强现实等领域有着非常广泛的应用。针对室外大场景激光SLAM定位难,定位不准确等问题,本课题从两个方面研究如何提升激光SLAM的定位精度,分别是利用激光点云的回环检测减少位姿估计和地图构建的累积误差,以及用多传感器融合技术提升激光SLAM系统精确度和鲁棒性。本文的主要工作和成果如下:本文首先对机器人在室外大场景下的激光SLAM算法进行了研究,并针对机器人使用激光雷达产生的点云进行回环检测效率低下和精度低等问题,提出基于片段的回环检测方法,然后本文详细地介绍了该激光SLAM的流程及实现,包括特征片段的提取,点云的预处理,点云片段匹配,位姿的回环闭合等环节。然后本文针对点云搜索空间太大导致的搜索效率降低的问题,提出了基于位置的候选片段滤除算法。该方法能有效减少回环检测需要的时间,并且提高回环检测的精度。最后本文更改了后端优化方式,使回环闭合变得快速有效,减少地图误差。本文使用该方法在多组数据集上做了实验,证明方法是有效的。其次本文对如何提升机器人定位精度进行了研究,并针对机器人使用单一传感器在定位导航过程中产生较大的误差的问题,提出了一种基于多传感器数据融合的定位算法。首先使用扩展卡尔曼滤波将轮式里程计和惯性测量单元进行融合,利用融合后的信息来滤除错误的GPS信息,并提供局部地图构建的初始位置。激光定位部分根据局部地图使用NDT定位方式进行定位。最后我们将GPS定位和激光雷达定位利用卡尔曼滤波融合,将融合的结果作为最终的定位位置估计结果。最后本文通过搭建移动机器人平台完成基于点云片段的回环检测算法。经Kitti数据集和自制的数据集测试,结果显示本文提出的SLAM系统在位姿估计和地图构建上比很多SLAM系统具有更高的精度,并且更加鲁棒。另外,本文采用基于多传感器数据融合的移动机器人定位算法进行实地测试,测试条件包含了没有GPS信息和彻底失去GPS信息的情况。结果显示,本文提出的SLAM系统在各种极端情况下都能很好的进行定位。