即时定位与地图构建 SLAM(Simultaneous localization and mapping)即机器人在运动过程中通过重复观测到的地图特征定位自身位置和姿态,再根据自身位置增量式的构建地图,从而达到同时定位和地图构建的目的。视觉SLAM指的是不使用较为昂贵的激光扫描仪,只使用图像(RGB图像和Depth图像)来实现即时定位于地图构建。然而传统的视觉SLAM存在由于累积误差带来的轨迹漂移问题,往往需要闭环检测才能有效地消除累计误差。本文主要探讨了利用室内场景中的结构化线段提取三个相互正交的灭点,然后将灭点作为一种全局观测量来优化SLAM位姿同时减少累积误差的问题。首先我们提出了一种基于全局搜索的实时灭点提取算法,该算法能够稳健地提取出场景中存在的相互正交的三个灭点,而且经过使用极坐标构建查找表的方式,我们实现了灭点的实时提取。接着,我们在传统视觉SLAM的算法流程中,添加了一个灭点追踪(Vanishing Point Tracking)线程。对于输入的每一帧图像,我们在提取特征点的同时也提取当前帧上的灭点。然后,我们将当前得到的灭点作为一个全局观测量,将其与特征点构成的局部观测量一起构建一个图模型(Graph),然后采用图优化的方法可以得到利用特征点和灭点观测值同步进行优化之后的当前帧的位姿。此外,本文详细地分析了基于图优化理论和李群李代数的SLAM位姿优化问题,给出了各种不同观测值情况下的图模型构建方法。本文首先在YUD公开数据集上验证了提出的灭点提取算法,并与其它三种常用的算法进行了对比,实验表明本文提出的灭点算法在YUD数据集上精度最高。而且在利用LSD自动提取的线段上也取得了最高的精度。在SLAM位姿优化实验中,本文首先在TUM公开数据集上进行了测试,实验表明本文提出的基于灭点的位姿优化算法即使是在复杂场景下也具有较强的鲁棒性。考虑到传统公开数据集中线段并不明显,因此我们采集了一组新的RGBD数据,实验证明在没有闭环的情况下,本文提出的基于灭点的SLAM位姿优化算法的位姿精度要比传统的算法高10%-15%。