移动机器人同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术是实现机器人智能化的一项关键技术。当机器人处于某未知环境中,同时无法通过外部获得自身位置信息时,其需要依据自身传感器完成环境地图构建并实现定位。早期机器人定位主要借助于激光雷达、IMU、距离传感器等,而随着计算机视觉的发展,相机以其廉价、低功率、数据丰富的特点在SLAM领域得到广泛的应用,被称为视觉SLAM。微软在2010年推出的RGB-D相机使得视觉SLAM掀起了一股新的研究热潮。本文基于RGB-D相机采集的数据,在2012年提出的RGB-D SLAM的基础上,结合最新的SLAM方案中的一些优势算法和模块,对RGB-D SLAM进行了改进,算法主要用于测试包含丰富特征的室内环境。文章分析了相机位姿估计中直接法和特征点法的优缺点,改进了前端相机的跟踪方式,提出了一种由粗到精的位姿估计方法。在RGB图中提取ORB特征,先使用稀疏直接法跟踪这些ORB特征得到当前帧的粗估计,设置一定的关键帧选取机制,将符合条件的候选关键帧送入位姿估计部分,使用特征点法进行位姿精估计并进行关键帧的选取。本文针对相机跟踪模块改进了RGB-D SLAM中的回环检测方法和关键帧策略。算法后端采用位姿图优化的方法,优化关键帧的全局位姿,同时将关键帧的三维点云转换到世界坐标系,通过拼接得到最终的三维稠密点云图。本文算法在TUM的公开数据集上进行了测试,实验论证了本文算法在保证较高位姿估计精度的同时比RGBD SLAM具有更快的计算速度,算法能实现在CPU上的实时运行。最终能实现相机各时刻的位姿估计和室内三维稠密点云地图重建。