针对固态激光雷达视场小导致建图过程中回环检测困难的问题，提出了一种基于单帧-子地图描述子匹配的回环检测算法。首先，利用前端里程计提供的位姿将若干帧点云拼接得到子地图后获取描述子，并将其位置加入K维树中。其次，对于每一个当前帧，利用K维树搜索候选子地图，依次按照里程计位姿投影至子地图坐标系后获取描述子，以实现描述子旋转、平移不变性。然后，利用二进制描述子进行对齐，并利用掩模方法计算当前帧描述子和子地图描述子的相似度。最后，对于符合条件的回环对，使用CFB-ICP算法进行配准获得回环因子，并执行因子图优化。在公开数据集以及真实室外环境中分别进行实验测试，结果显示此算法在满足实时性的前提下，可以减小长程建图时的累积误差，提高定位与建图精度。

针对视觉同步定位与建图算法在遮挡情况下易受到干扰而导致定位误差较大且闭环检测精度较低等问题，提出一种融合混合注意力实例分割的视觉同步定位与建图算法。该算法能够动态调整被遮挡物识别权重，在出现遮挡情况时提升对被遮挡物的特征提取与识别能力。同时采用概率去误匹配算法去除错误匹配点对，增加位姿求解及关键帧选取精度，从而更好地修正机器人位姿、提高系统构图的准确率。通过KITTI公开数据集和真实场景对所提算法进行测试，结果表明，所提算法在闭环准确率上与ORB-SLAM2算法相比约提高10.7%，平移误差约减小27.6%，体现了良好的构图能力。

针对传统视觉同时定位与地图构建（vSLAM）系统在动态场景中无法有效去除运动物体及缺少可用于更高层应用的语义地图等问题，提出了一种可有效去除动态物体并构建表征室内静态环境的语义八叉树地图的vSLAM系统方法。首先，使用Fast-SCNN作为语义分割网络提取图像的语义信息，同时，利用金字塔光流法对特征点进行跟踪匹配。然后，使用步进随机抽样一致算法（Multi-stage RANSAC）通过多次执行不同尺度的RANSAC流程对特征点进行步进采样，再利用对极几何约束并结合Fast-SCNN提取的语义信息进行视觉里程计动态特征点剔除。最后，通过体素滤波降低点云冗余后构建纯静态环境的语义八叉树地图。实验结果表明：所提方法在公用数据集TUM RGB-D的8个RGB-D高动态序列中测试的相机相对位移误差、相对旋转误差和全局轨迹误差相较于ORB-SLAM2系统有94%以上的提升，全局轨迹误差仅为0.1 m；相较于同类DS-SLAM系统，动点剔除总耗时有21%的缩减。建图性能方面，经体素滤波后构建的语义点云地图与语义八叉树地图分别占据9.6 MB、685 kB的存储空间，相较于17 MB的原始点云，语义八叉树地图仅占用其4%的存储空间并因含有语义可用于更高层次的智能交互任务。

针对Cartographer算法在多传感器数据处理中, 存在点云中的离群点和噪声影响点云匹配的精度, 以及位姿融合算法精度不高的问题, 提出一种基于混合滤波算法和速度积分位姿融合的改进Cartographer算法。首先, 改进选点策略优化体素滤波算法的重采样过程, 提高滤波效率, 并引入直通滤波和半径滤波, 提出一种混合滤波算法, 提高点云质量。然后, 在融合观测位姿、里程计数据和惯性测量单元数据的算法中, 引入速度积分改进位姿融合方法以提升点云匹配的准确性。最后, 在使用数据集验证算法回环检测性能和定位精度的测试试验中, 比较改进算法、Cartographer和A-LOAM三种算法, 试验结果表明改进算法构建的地图更精确, 轨迹误差小。因此, 提出的算法对于提高定位精度和建图质量具有可行性和有效性。

针对传统视觉同步定位与地图构建(SLAM)算法在动态场景下定位精度低的问题,提出了一种基于动态目标检测的视觉SLAM算法。首先,在视觉SLAM系统的前端对输入图像帧进行预处理,通过目标检测网络YOLO v3(You only look once, v3)剔除图像潜在的动态区域。然后,通过重投影误差优化单应性矩阵,通过求解运动补偿帧得到四帧差分图,并对四帧差分图进行滤波、二值化和形态学处理。最后,结合YOLO v3网络对动态目标检测结果进行优化,以减小图像模糊和强视差产生的噪声。用静态区域的特征点进行视觉SLAM的跟踪、建图与回环检测,在公共TUM数据集上的实验结果表明,本算法能有效提高动态环境下视觉SLAM的精度。

针对视觉同步定位与地图构建(SLAM)算法中线特征提取稳健性差、匹配效率低的问题,提出了一种基于分组策略的点线特征融合视觉SLAM算法。首先,通过引入线段分组策略合并潜在的同源线段、生成高质量长线段,并利用公共结点筛选出有效的线特征。然后,根据点线特征的仿射不变性直接匹配线特征。最后,构建点线融合特征的误差函数,使重投影误差最小化,进而提高相机位姿的估计精度。在KITTI、EuRoC、TUM以及YorkUrban数据集上的实验结果表明,本算法可以有效提升特征提取的稳健性,进而提高相机位姿估计与建图的精度。

激光扫描匹配是利用激光雷达进行导航、定位与地图构建的基础, 本文对各类激光扫描匹配方法进行了综述。将现有方法归纳为基于点的扫描匹配方法、基于特征的扫描匹配方法和基于数学特性的扫描匹配方法3类, 系统总结了相应类型的常见方法; 对典型的算法及其改进算法进行了梳理, 并指出了存在的主要问题和发展趋势; 介绍了激光扫描匹配方法性能评价和对比的最新研究进展, 最后, 展望了激光扫描匹配技术未来的研究方向。

针对在无GPS环境下的小型无人机自主飞行问题，提出了一种基于改进的粒子群优化(IPSO)的快速同步定位和地图创建(FastSLAM)方法—IPSO FastSLAM算法。IPSO算法通过引入自适应重采样方法，有效克服了粒子退化问题，又减少了过频重采样带来的计算负担。提出了以粒子集多样性测度作为启发因子，引导重采样后的粒子优化搜索过程，克服重采样过程造成的样本枯竭问题，保证粒子集多样性水平最优。最后，应用该算法对一种小型无人机模型进行仿真实验，结果验证了该算法正确、可行。

针对常规增量式Graph SLAM算法的后端优化无法高效排除错误闭环影响的问题，基于iSAM算法和SC算法，提出一种鲁棒闭环的增量式Graph SLAM算法R-iSAM。R-iSAM在增量式过程中对当前时刻引入的闭环约束的转换变量进行初步近似计算，得到合理的机器人节点位姿。在离线式过程中对当前时期的所有闭环约束转换变量进行精确计算，判断当前时期闭环的正确性，并作为以后优化节点的基础。对公开的数据集进行的算法实验表明，在添加不同类型、不同数量的错误闭环条件下，所提算法对不同数据集具有良好适应性，且收敛速度满足增量式SLAM实时性要求，证明了算法的有效性。