机器人学是一门综合性学科,随着机器人及图像视觉的快速发展,提高机器人的自主移动与控制能力显得尤为重要。以Kinect为代表的RGB-D类相机能够同时获得场景中的RGB图像与深度图像,因此被广泛用于室内环境建图中。目前的SLAM架构是由图像处理前端与后端优化组成。本文针对室内场景下的运动机器人,使用Kinect作为传感器,在原有框架基础上对于SLAM算法进行了设计与实现。视觉里程计是机器人位姿运动信息获取的一种重要方法,算法的精度和算法的时间复杂度呈正相关性关系,与算法的实时性呈负相关性关系。帧间配准是视觉里程计的一个重要环节,传统的迭代最近点算法(ICP)是一种局部的优化器,容易陷入局部最优,为了提高算法的配准速度与精度,本文采用一种预设双阈值的处理算法,先试用泰勒展开求和思想建立起粗匹配模型,然后将粗匹配结果作为精匹配初始值,不仅可以保证ICP算法对于初始值过高的依赖程度,也提高了帧间配准的速度与精度。闭环检测关系到SLAM估计的轨迹与地图在长时间下的正确性。在闭环检测中应用了 BoW模型,它通过提取图像局部特征并对其分类构建视觉字典树,任何一幅图像都可以通过视觉字典中的单词集合进行表示。本文针对传统K-means聚类算法对初始中心点敏感的问题,通过用K-D树分割数据生成聚类中心的方法对传统的K-means算法进行优化,为聚类提供了可靠的初始值。为了提高比对效率,利用k叉树形式以层次索引的方式降低算法复杂度,并设计了可靠的相似度计算方法确保最终得到的闭环准确。最后利用图优化得出机器人位姿的最终状态。实验验证了本文所提方法能够迅速、准确地重构出稠密化的三维环境模型,为实时SLAM提供解决方案。最后,对所展开的研究工作进行总结,并为进一步的研究工作提出了展望。