当前,全球在新一轮的科技革命和产业变革的影响下,机器人产业蓬勃发展。社会涌现了许多的可以用于自主建图、定位、导航、避障的机器人技术。例如汽车的自动驾驶,无人机的导航和自主避障,还有扫地机器人的构建地图和路径规划等。无论是什么样形式的机器人,凡是只要是涉及以上技术的,都逃离不开同步定位和建图(SLAM)技术。凡是可以自主移动的机器人,都离不开以下四种关键性的技术:定位、跟踪、路径规划和控制。以上技术中的前三种,都与SLAM技术密不可分。但是在移动设备的后续应用中,仍然存在着点云地图过于稀疏和同步定位不够准确等问题。因此,本文对于基于特征点方法的SLAM系统进行了优化改进,提升了点云地图的稠密度,提高了同步跟踪与定位的精准性。本文主要研究工作如下:1)针对ORB-SLAM2系统存在着点云地图过于稀疏和相机同步跟踪轨迹不够准确的问题,提出了一种基于单目摄像机的半稠密SLAM系统。当单目视觉建立半稠密地图时,无法将每个像素都当作特征点,从而计算描述符。所以本文使用高斯三角测量确定图像点的深度,并且结合极线搜索和块匹配技术来得到一组呈概率分布的深度值,最后利用深度滤波器让深度估计收敛到一个稳定的值。经过实验验证,改进后的基于单目摄像机的半稠密SLAM系统能够绘制出更为稠密的点云,并且得益于半稠密化的点云,该系统的同步跟踪与定位的精准度比ORB-SLAM2系统提高了 9.13%。2)由于单目摄像头在计算深度时需要进行三角化并且使用深度滤波器让深度收敛,计算量太大,所以单目摄像头无法满足构建稠密点云地图的需求。根据以上问题,本文进一步提出基于深度摄像头的稠密SLAM系统。得益于深度摄像头能够直接测量深度信息的特点,所以直接使用三维点云处理开源库PCL在整个地图中分块提取稠密的点云,再用统计滤波器去除部分孤立的点,并且利用体素网格滤波器对深度摄像头采集的庞大的点云数据进行降采样,可以减少点云数量,也可以让不规则的点云数据密度更加平滑,最后将不同的地图块进行加和处理,形成一张稠密的点云地图。经验证,本方法可以重建出稠密的点云地图,并且能够将移动机器人同步定位与跟踪的平均误差范围控制在5厘米之内,满足室内移动机器人所需要的精度。3)针对ORB-SLAM2系统在进行ORB特征匹配时,容易将外貌相似但不是对应点的两个点错误匹配的问题。所以,通过深度神经网络对SLAM系统进行了算法优化,提出了一种神经网络的学习方案,将这个学习方案替换掉SLAM系统中ORB特征检测的部分。根据前后相邻帧中特征点的变换生成几何对应,用于制作视觉里程计。将卷积神经网络(CNN)与循环神经网络(RNN)相结合进行训练,检测出关键点的位置,并生成相应的描述符。利用刚体变换,通过将点从源坐标系变换到参照系来优化网络。利用神经网络的方法提取特征点可以提高帧与帧之间匹配的精度。在不使用闭环检测的时候,本章系统可以将跟踪位姿(位置与姿态)的精确度相较于ORB-SLAM2提高49.16%。并且改进后的SLAM系统具有更好的鲁棒性,相比于ORB-SLAM2系统能够应对更加多的环境特征,不容易丢失目标。