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。

即时定位与建图（SLAM）应用的场景多样但受限于计算成本。基于此，提出了一种基于自适应特征及闭环优化的激光SLAM算法（FAST-SAM）。采用自适应特征提取方法Better Feature在不同的距离下保证特征提取的准确性，再通过基于随机一致性采样优化的地面特征滤除方法去除不可靠的特征并使特征数量保持稳定，在帧间匹配和闭环检测模块分别采用正态分布变换粗配准与最近点迭代精配准结合的匹配算法及所提两段式闭环检测算法，最终输出激光惯性里程计并建立全局点云地图。在LIO-SAM、KITTI开源数据集及广西大学实测数据集上的实验结果表明，与主流的SLAM算法相比，所提算法在提升精度的同时，将各环节的计算效率提升25.6%以上。

针对同时定位与地图构建(SLAM)的闭环检测方法在多歧义复杂场景下易发生感知偏差的问题, 基于闭环概率模型提出了一种结合局部SURF特征和全局ORB特征的闭环检测方法。首先, 分别采用鲁棒SURF特征和全局ORB特征对图像进行局部和全局的场景描述; 其次, 构建多特征场景描述的离散贝叶斯闭环概率模型, 对多特征空间分别构建观测似然概率, 其中,局部特征空间基于词袋模型的方法计算观测似然概率, 全局特征空间基于KNN最近邻的方法计算观测似然概率; 最后, 考虑图像的时间一致性, 基于极线约束设计多步闭环候选帧提取方法, 进一步减少感知偏差问题。实验结果表明, 在多歧义场景下所提方法可以消除绝大部分的误正匹配情况, 对比FAB-MAP2.0和BoW方法具有更好的闭环检测效果, 可以达到更高的闭环准确率。

针对Intensity ScanContext（ISC）等激光雷达闭环检测算法中描述子易受载体旋转和平移变化干扰、不变性较弱从而导致闭环效果差的问题，提出了一种在城市动态环境下具有旋转和平移不变性的激光雷达点云描述子。首先，在点云处理部分，基于角度图像的地面点分割算法去除点云数据中的地面点，并利用基于弯曲体素聚类的动态目标剔除算法完成点云分割和动态目标的剔除。然后，基于惯性测量元件采集的四元数对点云进行坐标系变换，将所有帧点云统一至同一航向角下，以实现描述子的旋转不变性。接着，通过点云中静态目标与载体运动方向所在法平面的相对位置关系来确定描述子绘制中心，以实现描述子的平移不变性。最后，利用所提描述子进行闭环检测，并结合点云数据的空间结构对闭环检测结果进行一致性验证。在KITTI公开数据集下的实验结果表明，所提方法在城市动态环境下能够更加快速准确地实现闭环检测，相比于ISC算法，所提方法在准确率为100%时召回率提高了8.58个百分点，且平均耗时减少了12.90%。

针对传统激光雷达闭环检测算法受动态障碍物干扰较大、关键帧搜索以及特征匹配耗时较长的问题,采用MF-RANSAC算法并改进ScanContext,提出一种鲁棒性更强、耗时更短的SR-Context激光雷达闭环检测算法。首先,利用区域生长算法对扇形栅格化后的点云进行分割;随后,不依赖于目标识别和跟踪,借助动态区域多点选取和多属性查询对应点,提出一种MF-RANSAC算法快速实现动态目标剔除;最后,通过简化特征匹配计算和删除闭环历史匹配帧的方式改进ScanContext算法,对去除动态目标后的栅格提取特征实现闭环检测。分别在KITTI数据集与实车数据集下进行测试,实验结果表明,本文算法在城市动态环境下能够快速准确实现闭环检测进而提高激光雷达建图精度,且平均耗时仅为ScanContext算法耗时的40%。

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。

机器人在大尺度场景下开展同时定位与建图(SLAM)任务时,其闭环检测环节会出现较严重的错匹配或者漏匹配问题,因此,采用残差网络(ResNet)对图像序列进行特征提取,并提出一种新的闭环检测算法。通过预训练的ResNet提取输入图像的全局特征,并对该帧图像及之前具有一定长度的图像序列的特征按照下采样的方式进行拼接,将结果作为当前帧图像的特征,保证图像特征的丰富性与准确性。同时,设计一种双层查询的方法以获得最相似的图像帧,并对最相似图像进行一致性检验,确保闭环的准确性。在闭环检测主流公开数据集New College和City Centre上,所提算法在100%准确率下的召回率为83%,在99%准确率下的召回率为85%。与传统的词袋方法和VGG16方法相比,所提算法具有显著的提升。

针对模型未知的空间非合作旋转目标的模型重建和位姿估计问题, 利用激光雷达采集的3D点云, 提出一种基于位姿图优化的SLAM技术框架, 以解决跟踪过程中产生的累积误差问题。首先, 根据迭代最近点(Iterative Closest Point, ICP)算法计算相邻关键帧之间的相对位姿信息, 通过位姿跟踪方法获得当前关键帧的位姿, 由此构建跟踪航天器的相对位姿图; 采用GLAROT-3D(Geometric LAndmark relations ROTation-invariant 3D)全局描述子检测闭环, 并将闭环约束添加到位姿图中; 最后采用基于位姿图优化的方法进行位姿调整, 并更新模型点云。在仿真实验中, 噪声标准差达到100 mm时, 姿态测量误差小于2°; 在地面实验中, 姿态测量误差小于2.5°, 并较好地重建了目标的点云模型, 算法的精度及抗噪声能力基本满足非合作目标相对位姿测量的任务需求。

闭环检测算法可消除视觉同时定位与建图(VSLAM)系统的累计误差,并对构建全局一致性地图有重要作用。针对现有传统闭环检测算法在视角与场景外观变化下准确率与稳健性降低,及部分基于深度学习方法特征提取与闭环识别实时性不佳的问题,设计了一种融合Gist特征与卷积自编码的闭环检测算法,将Gist特征作为卷积自编码网络重构目标,可增强模型在外观变化下的场景特征表达能力;同时通过透视变换构造视角变化训练图像对,以提升模型在视角变化下闭环检测的准确率与稳健性。所设计的模型较精简,可实现实时关键帧特征提取与闭环检测。在Gardens Point与Nordland数据集的实验结果表明,相较于传统视觉词袋模型(BoVW)、Gist算法及现有部分深度学习方法,本文算法可以达到更高的准确率和稳健性。

针对传统闭环检测算法在动态场景下不稳定、易失败的问题, 提出了一种在动态场景下能够准确检测到闭环的算法。首先, 改进基于场景流区分动、静特征点算法, 使得到的动静点划分更为准确;其次, 剔除动态特征点, 进行聚类, 将图像在视觉词典树各个节点的TF-IDF熵作为图像在该视觉单词的得分权重, 从而构造得分向量对场景进行描述;最后, 采用负指数幂函数作为计算两幅图像的相似性得分函数, 计算当前帧与候选关键帧的相似性得分, 经过最后的闭环确认环节, 得到最终的与当前帧发生闭环的关键帧。实际场景的实验表明, 所提算法在动态场景下能够有效检测到闭环。