仓储移动机器人是工业4.0时代智能仓储系统中代表性的自动化设备,被广泛应用于各类物料搬运任务中。实现移动机器人的自主导航,是确保其灵活工作、适应各类工作场景的必须解决的问题。而同步定位和建图(Simultaneous Localization and Mapping,SLAM)是实现移动机器人自主导航的关键技术。闭环检测作为视觉SLAM框架中的一个重要组成部分,是减少机器人位姿的累积误差和构建全局一致性地图的关键性环节。本论文以视觉SLAM中闭环检测为研究对象,在分析国内外闭环检测研究现状的基础上,探究利用自动编码器(Auto-encoder)提取图像特征、计算图像特征相似性得分从而实现闭环检测的可行性与方法。本论文主要内容包括:(1)设计用于提取图像特征的自动编码器。自动编码器是一种能够实现图像压缩编码和特征提取的无监督的神经网络模型。本文在浅层自动编码器的基础上,分别设计了深度自动编码器和卷积自动编码器的结构,并通过修改损失函数赋予深度自动编码器和卷积自动编码器去除图像噪声和提取稀疏特征的能力。(2)分别从提取图像特征、计算图像相似性得分和闭环的准确性验证等三个方面设计和实践基于自动编码器实现闭环检测的方法。本文利用TensorFlow库构建和训练本文设计的自动编码器,用以提取特征;并提出了计算图像特征相似性得分和验证闭环准确性的方法。(3)利用公开数据集验证基于自动编码器的闭环检测方法的性能,并与基于人为设计特征的视觉“词袋”方法(BoW)进行对比。实验结果表明,深度自动编码器的闭环检测性能略优于BoW,而卷积自动编码器的闭环检测性能显著优于BoW。基于自动编码器的闭环检测方法与BoW相比,具有更高的准确率和召回率,且图像特征提取时耗时更短。说明本文中提出的闭环检测方法能够更好地满足视觉SLAM闭环检测的准确性和实时性要求,可以成为BoW方法的替代性方案。