即时定位与建图（Simultaneous Localization and Mapping,SLAM）,是指智能体使用传感器获取外部的环境信息,以此估计自身在环境中的位置,并建立已探索区域的环境地图。现有的SLAM算法大部分是基于静态环境的假设进行设计的。在室外环境下建图效果与定位精度较差。且在室外场景中存在大量可移动物体,移动物体会造成位姿估计过程中特征的误匹配,造成定位的偏差,导致算法的鲁棒性较差。因而,需要对现实环境中的动态物体进行处理。本课题针对室外实际道路环境,设计了可移动物体判别算法,并且在加入语义的基础上,增加点云全局特征,作为定位的辅助信息。在保证定位精度的同时提升算法的实时性,使算法在实际环境下更加鲁棒。首先,针对实际场景中存在的可移动物体,本课题根据SLAM中特征提取的特点,分析可移动物体对里程计的影响。基于现有的三维点云语义分割算法,使用物体的速度以及先验移动概率设计出可移动物体判别算法。通过迭代物体的移动概率,去除可移动物体,降低其在SLAM位姿估计以及建图中的影响。其次,人为设计的特征易受观测地点、天气等因素的影响,且去除可移动物体后,观测的特征减少。因此本课题加入点云的语义以及点云全局特征,作为定位辅助信息。语义属于人类理解世界时,抽象出的高层次的特征,不会受到上述因素的影响。本课题在人为设计的特征向量基础上加入物体的类别标签,同时新增三个点云全局特征:每一帧内物体的总数、与激光雷达距离最近的距离、与激光雷达距离最远的距离。加入的新特征使特征向量更加鲁棒,以确保特征减少时,特征匹配的精度。最终,本课题搭建了完整的可移动物体去除的语义SLAM系统,并在KITTI数据集中进行了SLAM算法时效性、准确性等相关定量对比实验,以及建图效果等的定性对比实验。实验结果表明,本课题设计的可移动物体去除的语义SLAM算法,可以在定位精度达到Seg Map同等水平的情况下,实时性能最高提升18.78%,平均提升16.0%。本文提出的可移动物体判别算法,对场景中的动态物体识别准确率,相比于Squeeze Seg的83.2%,达到91.7%。引入的语义信息提升了定位的鲁棒性。本课题提出的算法可以很好的在室外动态场景下运行,建立无动态物体的环境地图。