针对传统视觉同步定位和映射（SLAM）系统在动态环境中鲁棒性和定位精度低等问题，基于ORB-SLAM2算法框架，提出一种在室内动态环境中运行稳健的视觉SLAM算法。首先，语义分割线程采用改进的轻量化语义分割网络YOLOv5获得动态对象的语义掩码，并通过语义掩码选择ORB特征点，同时，几何线程通过加权几何约束的方法检测动态对象的运动状态信息。然后，提出一种给语义静态特征点赋予权值，并对相机的位姿和特征点的权值进行局部光束平差法（BA）联合优化的算法，有效地减少动态特征点的影响。最后，在TUM数据集和真实的室内动态场景中进行实验，结果表明，与改进之前的ORB-SLAM2算法相比，所提算法有效地提高了系统在高动态数据集中的定位精度，并且绝对轨迹误差和相对轨迹误差的均方根误差（RMSE）分别提升了96.10%和92.06%以上。

针对传统视觉SLAM对环境语义信息理解不足的问题, 语义视觉SLAM借助语义路标提高机器人的定位精度。语义路标的准确关联是实现机器人深层定位和导航的关键, 错误的关联将导致机器人定位丢失。针对动态扰动和观测噪声扰动所产生的高关联模糊性问题, 提出利用非参数聚类和随机近似推断结合的方法提高语义路标关联的准确性, 通过正确的数据关联实现机器人的准确定位。仿真和KITTI数据集上的实验结果表明, 在噪声干扰下该算法能够提高语义路标数据关联的准确性和鲁棒性, 融合语义信息和几何信息优化机器人和语义路标的位姿, 提高机器人的定位精度。

SLAM一直是机器人领域的研究热点，近年来取得了万众瞩目的进步，但很少有 SLAM算法考虑到动态场景的处理。针对视觉 SLAM场景中动态目标的处理，提出一种在动态场景下的图像处理方法。将基于深度学习的语义分割算法引入到 ORB_SLAM2方法中，对输入图像进行分类处理的同时剔除人身上的特征点。基于已经剔除特征点的图像进行位姿估计。在 TUM数据集上与 ORB_SLAM2进行对比，在动态场景下的绝对轨迹误差和相对路径误差精度提高了 90%以上。在保证地图精度的前提下，改善了地图的适用性。

在视觉同时定位与地图构建(SLAM)中,闭环检测模块主要用来消除位姿漂移,得到全局一致的轨迹和地图。针对传统SLAM闭环检测方法中效率与准确率低的问题,首次提出一种基于HHO算法的SLAM闭环检测方法。首先,对FAST算法进行改进,用于提取图像特征,生成图像特征的鲁棒描述子;然后,将闭环检测中求解当前帧图像和历史帧图像最大相似度的问题转换为最大值优化问题;最后,针对该优化问题,设计个体编码方式和适应度函数,给出求解闭环检测问题的HHO算法。实验结果表明,相较于基于词袋模型和PSO算法的闭环检测方法,所提基于HHO算法的SLAM闭环检测方法具有更高的效率与准确率。

以相机作为输入的视觉同时定位与建图(SLAM)系统在地图构建过程中虽然可以保留点云的空间几何信息,但是并没有完全利用环境中物体的语义信息。针对这个问题,对当前主流视觉SLAM系统和基于Faster R-CNN、YOLO等神经网络结构的目标检测算法进行研究。并提出一种有效的点云分割方法,该方法引入支撑平面以提升分割结果的鲁棒性。最后在ORB-SLAM系统的基础上,结合YOLOv3算法进行环境场景的物体检测并保证构建的点云地图具有语义信息。实验结果表明,所提方法可以构建几何信息复杂的语义地图,从而可应用于无人车或机器人的导航工作中。