在未知的环境中,如果机器人只利用里程计预测自身所处的位置,随着时间的积累误差会越来越大。因此,为了给机器人精确的定位需要用激光传感器或者视觉传感器等外部传感器从周围环境中提取路标,利用这些路标创建出周围环境的地图,利用地图信息来修正机器人的位置。为了得到机器人的精确位置需要利用环境地图对里程计数据进行修正,为了创建精确的环境地图机器人要知道自身的精确位置,这类问题称为同时定位与地图创建问题,其中包括机器人定位、特征提取和地图创建等技术,需要在准确性、鲁棒性和实时性三个方面取得突破。由于视觉传感器具有信息量丰富,采样周期短等优点,近年来在移动机器人的导航领域得到了广泛的应用。目前基于视觉的同时定位与地图创建技术主要采用的是普通视觉传感器,但是,普通视觉传感器视野范围狭窄,仅能观测前向60°的信息,对视觉路标的连续观测和跟踪能力有限。全景视觉传感器具有全向360°的感知范围,视觉路标可以再其视野范围内停留更长的时间,增强了视觉传感器对路标的连续观测和跟踪能力。本文对基于全景视觉的移动机器人同时定位与地图创建方法进行了研究。首先,建立了基于全景视觉的移动机器人SLAM系统感知模型,依据全景视觉系统的成像原理得到视觉路标在地面的投影位置,根据基于视差原理的双目立体视觉三维测量方法和机器人在两幅全景图像中的位姿,从而获得了视觉路标在全局坐标系中的位置。其次,对特征匹配条件作了改进。原匹配算法在特征匹配过程中存在着大量的错误匹配,因此对原算法作了如下改进：1)如果匹配结果中存在的两个以上的特征点与另一幅图像中的同一个特征点相匹配的的情况,则比较它们的特征描述符的欧氏距离,保留欧氏距离最小的匹配点对,删除其他匹配点对；2)对于其他误匹配情况则采用角度限制和长度限制的方法来去除。即把匹配成功的特征点在两帧图像的坐标系中的角度变化的绝对值与所有匹配成功的特征点的角度变化的绝对值的平均值进行比较,如果相差较大则认为匹配有误,删除匹配点；求出所有匹配成功的特征点之间的欧氏距离的平均值,将与平均值差距较大的匹配点对删除。实验结果表明改进后的算法提高了匹配的准确性,消除了错误匹配对SLAM的影响,增强了SLAM系统的鲁棒性。再次,将基于全景视觉的特征提取方法与EKF和FastSLAM算法相结合,提出了基于全景视觉的SLAM算法,该算法利用改进的SURF算法提取视觉路标,根据系统的观测模型定位出路标位置,进而通过EKF或FastSLAM算法同时更新机器人位置和地图信息,仿真实验结果证明了全景视觉相对于普通视觉的优越性,通过真实的机器人试验证明了本文所设计的算法的可行性。最后,创建了基于SURF算法的特征地图库。地图库中的特征随着时间的推移会越来越多,把图像的特征点与地图库中的所有特征点进行匹配需要大量的时间,将给实时特征匹配带来困难,甚至计算灾难问题。因此本文的特征地图库有许多子地图构成,通过一个代价函数选择与当前全景图像进行匹配的子地图,以保证机器人不但能够得到充足的视觉路标,而且能够增强SLAM的实时性。