近年来,移动机器人在智能制造与物流系统中得到了快速发展,其中机器人在未知环境下的同时定位与建图（SLAM,Simultaneous Localization and Mapping）的技术被大量应用和关注。基于单机器人的SLAM技术已经发展的比较成熟,并且当前主要的研究都集中在对单机器人SLAM算法的性能优化上面,对于多机器人的SLAM研究相对较少,本文针对多机器人SLAM中的机器人相对位姿确定和稀疏点云地图融合做了初步研究和实验验证。相比于单机器人SLAM,多机器人SLAM系统具有更高的效率,能够处理更大的任务量和更高的鲁棒性。在诸多优势的同时多机器人SLAM系统也面临着比单机器人S LAM更多的问题。首先在陌生环境下,机器人之间的相对位置无法确定,机器人之间的联系无法直接建立,导致多机器人建立的地图无法有效地融合建立全局统一地图。其次单目SLAM中多机器人建立的地图具有尺度不一致性,多机器人地图融合对估计的旋转误差较为敏感,如何提高地图的拼接精度是一个难点。针对以上问题,本文以ORB-Slam算法作为实现基础,设计了基于ROS的多机器人SLAM系统。针对多机器人相对定位与稀疏点云地图融合做了研究。对于多机器人的相对定位采用的是基于关键帧的视觉词袋技术来检测相似场景,为了减少多机器人产生的大量关键帧的重复检测带来的大量算力消耗,将所有机器人的关键帧依据单词信息存储到多叉树的叶子节点并依据机器人进行编号,对机器人闭环和相似场景检测做统一处理。此外为了提高机器人相对定位与地图融合的精度,在关键帧匹配后,依据关键帧以及关键帧的共视帧所对应的点云做匹配,匹配点云采用RANSAC算法做局外点剔除并且利用交比不变定理对匹配点云修正,然后采用迭代最近点（Iterative Closest Point,I CP）算法进行相对位姿求解得到高精度的相对变换矩阵,进而进行地图点云和机器人坐标转换,实现地图拼接和机器人相对定位。为了验证本文算法的有效性,本文基于ROS系统设计实现了多机器人通信方案,并且以TUM数据集测试了本文系统下的单机性能和可靠性。针对两台机器人间的相对定位和稀疏点云地图融合,进行了多次实验并对比了采用关键帧Pn P解算的相对位置。实验证明,改进的算法在定位姿态的旋转量估计上优于对比算法。