近年来,随着人工智能的发展和机器人的广泛应用,SLAM(即时定位与地图构建,Simulation Location And Mapping)作为其中核心技术,能够让机器人在当前环境未知的情况下,通过自身携带的传感器在运动过程中建立环境地图并且进行定位。本文基于RGBD-SLAM理论进行深入研究,针对室内环境场景复杂、存在动态移动物体的情况,提出具有灵活性、实时性的基于SLAM的移动机器人路径规划与导航算法。本文主要工作与创新点有以下三点:(1)对传统的RGBD-SLAM进行理解分析,针对回环检测中的Bo W算法准确率低和计算时长较大的问题,提出一种快速回环检测算法FAST-Bo W,利用Brief和ORB特征以及跟踪预测进行回环检测。相较传统算法,FAST-Bo W识别率提高了12%,速率提高了13%。(2)针对传统SLAM建立地图缺乏语义信息,不利于机器人理解现场并且易受动态物体影响,建图出现重影模糊和缺乏一致性的问题,提出一种新的语义SLAM地图构建方法,提高智能移动机器人对环境感知和场景认知的能力。通过金字塔池化改进的MASK-RCNN神经网络对关键帧进行语义分割,在分割好的关键帧上通过查找表法结合语义信息剔除动态目标。处理好的关键帧用于构建语义地图并且同时进行局部集束调整,最后再进行回环检测,构建场景地图。(3)针对A*算法在动态场景下规划路径时存在的搜索时间过长、路径转折较大、无法动态避障等问题,提出一种改进的A*算法。该算法对当前拓展点进行二次搜索,精简不必要的关键节点,减少路径操作点、降低转折度,提高路径生成效率并减少路径长度。同时提出融合TEB的改进A*算法,使A*算法在保证路径最优的同时进行动态避障。分别在不同尺寸的栅格地图中进行了仿真实验,实验结果表明融合TEB的改进A*算法规划路径更优、规划时间更短,且能进行动态避障。本文在改进语义SLAM系统中采用网络标准数据集进行测试,对比不同数据集下的地图建立效果,以此对系统的有效性和实时性进行评估。搭建了基于ROS(开源机器人操作系统,Robot Operating System)的实验平台,对改进的融合TEB的改进A*算法进行了实际场景实验,实验证明提出的改进算法能在实际动态场景中完成导航任务,且路径搜索效率提升39%,路径长度减少4.58%。