随着技术发展和社会进步,移动机器人在各领域的应用日渐广泛。移动机器人要实现自主导航任务,需要具备建图、定位和路径规划等功能。同步定位与构图(Simultaneous Localization and Mapping,SLAM)是指机器人在未知环境中,利用自身搭载的视觉、激光雷达或里程计等传感器,创建地图并同时确定自身位置的一个过程,是移动机器人实现完全自主导航的关键所在。SLAM根据所用的传感器不同,主要分为了激光SLAM和视觉SLAM两大类。相比激光雷达,双目视觉传感器成本更低,并且其拍摄的图像信息更丰富,因此成为了该领域的热点。但视觉传感器易受光照条件影响,即当采集的图像对比度发生变化时,其提取的特征点不稳定容易出现错误匹配,导致估算的位姿信息不准确产生累积误差,最终造成SLAM过程失败。为了提高视觉SLAM系统在多变场景下的鲁棒性,有效保证移动机器人在自主导航任务中的顺利进行,本论文开展了基于双目视觉的移动机器人同步定位与构图算法的研究。主要研究内容如下:(1)研究了改进的ORB前端图像特征提取和匹配算法。针对传统ORB中FAST特征点检测算法因人工设定阈值导致在光照变化环境下提取的特征不稳定,以及暴力匹配容易发生错误匹配等问题,本文通过引进非极大值抑制、自动设置阈值及剔除误匹配等方法进行了研究。实验结果表明,改进后的算法相比传统算法,不仅提高了图像特征提取速度,而且在不同光照场景下提取的特征更加均匀稳定、图像匹配准确率更高以及鲁棒性更高。(2)实现了基于SuperPoint自监督学习特征的视觉里程计算法。针对基于人工设计特征的传统视觉里程计效率比较低,以及估算的位姿不准确产生累积误差等问题,本文通过引进SuperPoint网络自监督学习特征点和描述子,选取比较稳定的特征点进行跟踪,然后估算出位姿并构建轨迹地图。实验结果表明,基于自监督学习特征方法提取的特征数量更加稳定,估算的位置和轨迹更加精确,产生的累积误差更小。(3)提出了基于ResNet神经网络的闭环检测算法。针对视觉里程计只考虑了相邻时间上的关联造成的累积误差,以及传统闭环检测算法检测的闭环准确率较低等问题,本文首先使用了ResNet神经网络提取图像特征,其提取的特征相比传统方法鲁棒性更高,然后使用ZCA(Zero-phase Components Analysis)白化对高维图像特征向量进行降维,并利用中值滤波消除相似矩阵中存在的椒盐噪声,最后通过定义的相似矩阵计算图像相似值得分进行闭环检测。实验结果表明,本文提出的闭环检测算法检测的闭环准确率和召回率都更高,解决了传统闭环检测方法手工提取特征成本高、准确率低及鲁棒性低等问题。上述算法在实验室移动机器人平台上进行了部署调试,并在公开数据集和室内环境进行了视觉SLAM测试,验证了算法的有效性,显著提高了复杂多变光照场景下移动机器人视觉SLAM的适应能力。