机器人在陌生环境中移动的同时使用传感器采集数据并进行计算,以获取当前自身在环境中的位置,同时建立周围环境的描述性地图,这一过程被称为即时定位与地图构建(SLAM),围绕这一目标科研人员开展了大量的研究工作。其中使用相机采集影像数据进行的SLAM被称为视觉SLAM(v SLAM),由于经济、方便等优势成为研究热点。特征法是目前视觉SLAM中的主流方法,通过从影像中提取抽象几何特征并进行数据关联解算不同帧间的相对位姿关系,恢复相机轨迹,并构建稀疏特征地图。普通视觉SLAM系统中使用的相机视角狭窄,在单帧内获取的信息有限。大量的特征法SLAM算法通过提取影像中的点特征进行位姿估计和地图构建,点特征维度单一,相对其它高维特征包含场景信息较少,在影像数据质量较差或相机运动过快时容易跟丢,导致跟踪结果不稳定,构建地图不够格直观,难以反映真实场景。针对目前特征法视觉SLAM中存在的上述缺陷,本文使用Ladybug 5+多相机全景拍摄设备采集的多角度数据,使用点线特征联合计算的方法估计相机位姿。首先使用Ladybug SDK工具将采集的流数据转换为序列影像数据,对原始广角镜头获取的影像进行畸变校正并获得相机内外参数。针对点特征,使用ORB算法提取并匹配;针对线特征,使用LSD算法进行提取,并通过LBD描述子进行匹配。为了简化运算、提高位姿解算的稳定性,使用一种由普吕克坐标系衍生而来的正交参数方法对三维空间中直线特征进行描述。最后使用G2O对在以上步骤中获取的信息建立优化模型,对相机在拍摄各帧时的位姿、相互关系,和特征所处空间位置进行估计和优化。在跟踪过程进行的同时,使用词袋法进行序列影像的闭环检测,侦测到闭环后暂停跟踪线程,进行闭环校正和全局优化。最后将获取的轨迹和特征信息绘制为场景的抽象地图。使用多组公开数据集和Ladybug 5+多角度影像数据对上述方法进行实验的结果表明:(1)采用的线特征提取与匹配方法可有效地提取出场景中具有较强结构意义的线段特征。(2)使用点线特征结合的跟踪方法所解算的轨迹精度和稳定性均高于仅使用点特征的方法,三组单目影像实验表明点线特征结合解算方法相比进使用点特征的方法精度分别提升2%、0.4%、0.2%。(3)使用多角度拍摄数据进行实验结果相比使用单目影像的方法轨迹解算精度提升0.04%-0.11%。(4)使用线特征构建的稀疏地图可以更为直观地反映场景信息。文章结尾对使用多角度的全景影像数据进行基于点线结合特征SLAM算法的方法进行总结,并对此后的研究方向进行了展望与设想。