随着移动机器人领域的发展,移动机器人的智能自主性得以提高,然而对未知环境进行探测建图并实时定位导航是移动机器人技术的研究难点。移动机器人在未知环境下根据自身位置估计和传感器数据,自主智能地实现自身定位和建立周围环境地图,这一过程称为同时定位与地图构建(Simultaneously Localization And Mapping,SLAM)。视觉传感器具有信息量丰富、轻量级、便宜等优点,将SLAM与视觉传感器相结合已成为机器人自主导航的研究热点。SLAM的前端——视觉里程计(Visual Odometry,VO)可以实现移动机器人的定位,但其仅考虑相邻时间帧上的关联,移动机器人之前运动产生的误差将不可避免地累积到下一个时刻,使得整个SLAM会出现累积误差,长期估计的结果将不可靠,无法构建全局一致的轨迹和地图。如果能够成功检测出闭环,则可以显著地减小累积误差,并以此作为地图是否需要更新校正的依据,对于提高大规模SLAM的鲁棒性有重大意义。词袋模型是当前主流的闭环检测方法,然而此方法利用的是人为设计的特征,其中人类专业知识和见解在开发过程中占主导地位,这有着有很大的应用局限性,而且这些特征地提取耗费大量的时间。在光照变化明显的的场景中时,词袋模型的方法会忽略了环境中很多有用的信息,造成闭环检测的准确度不高。深度学习技术的目的是从可用于分类的原始数据中学习表示数据的方法,闭环检测本质上来说很像一个分类问题,因此深度学习技术为典型的闭环检测问题带来了新的方法。本文提出将在图像分类与检索表现非常好的vgg16-places365卷积神经网络模型应用于视觉SLAM闭环检测中,将该模型作为图像特征提取器,在数据集New College上与别的闭环检测方法进行了对比验证,在闭环检测的速度和准确性上取得了很好的检测效果,为视觉SLAM闭环检测提出了一种新的方法,在移动机器人定位导航工程应用领域内,具有一定的创新性。本研究主要工作和成果如下:1.本文阐述了视觉SLAM框架中各个部分算法原理,包括传感器数据、前端视觉里程计、后端优化、闭环检测、建图。详细介绍了闭环检测的相关原理。2.本文描述了整个SLAM问题转化为数学模型的理论推导过程,SLAM问题由状态估计转换为最小二乘法,然后通过迭代的方法求解最小二乘问题,这样整个SLAM问题得到求解。3.本文对特征点检测算法进行了研究,分析对比SIFT、SURF和ORB特征描述子方法。详细介绍了词袋模型的整个实现过程,包括字典的形成,相似度的计算等,并对此进行了实验验证。为满足SLAM实时性强的系统特性,实验采用ORB特征描述子来提取特征,这样增强了图像特征匹配的旋转不变性与实时性。4.本文提出将vgg16-places365卷积神经网络模型应用在移动机器人的视觉SLAM闭环检测上,可视化了每层提取到的特征,使之更加形象化。详细介绍了vgg16-places365卷积神经网络模型的框架,介绍了模型的训练参数的设置,给出了实验用的闭环检测方法,用余弦相似度来计算模型提取到的特征向量之间的相似性。此外,本文将基于vgg16-places365卷积神经网络模型的闭环检测方法与几种传统基于人工设计特征(BoVW、GIST等)的闭环检测方法以及其他几种基于深度学习模型的闭环检测方法在数据集New College上进行了对比实验,给出了实验结果及分析,实验结果表明基于vgg16-places365卷积神经网络模型在闭环检测上的PR性能和特征提取时间性能上具有比较好的优势。