四足机器人凭借着优秀的环境适应能力,在崎岖路面和复杂环境作业中占据了无可比拟的优势,近年来已然成为移动机器人领域的前沿研究方向。SLAM为代表的环境感知技术,能够赋予机器人在复杂未知环境中自主探索的能力。然而,四足机器人自身的高动态特性以及应用环境的大场景和高复杂度等特性,对传统的激光SLAM技术,尤其是点云配准关键技术,提出了巨大的挑战。针对此问题,本文提出一种结合深度语义信息的SLAM技术,可实现四足机器人在复杂环境下的精准定位和建图。主要内容如下:首先,采取统计滤波方法预处理VLP16激光雷达采集的3D点云,在保留场景几何信息的前提下,剔除原始点云中的离群噪声点。采用基于深度学习的端到端点云分割框架PointNet++,获取场景语义信息,用于辅助SLAM定位。然后,针对四足机器人高动态特性导致点云重叠率较低,且单一传感器无法提供配准初值情况下,ICP容易陷入局部最优的问题,引入允许任意的初始位姿且配准效果好的Super4PCS对点云预先匹配,搭建粗精配准相配合的激光里程计框架。并将环境语义信息作为先验知识融入激光里程计,剔除了环境中的不稳定障碍物,提高待配准点云质量;进行点云特征提取,提出了基于语义特征的分步式ICP算法,提高激光里程计的配准精度和鲁棒性。另外,为解决激光里程计误差会随时间累积的问题,采用基于图优化的后端优化算法,将SLAM系统的优化问题转化为图的形式,通过激光里程计和基于语义信息的可靠回环检测方法构建图,然后利用图优化算法进行位姿节点调整,修正四足机器人的运动轨迹,从而提高SLAM系统的整体定位和建图精度。最后,利用公开的数据集Semantic KITTI对PointNet++进行训练,并借助四足机器人平台采集和人工标记的数据集进行模型微调,提高了模型的泛化能力。此外,借助真实场景,对各算法进行实验验证,对比了结合语义信息前后算法精度和性能。结果表明,结合语义信息的SLAM算法具有更好的鲁棒性,加快了配准的速度,提高了定位和建图的精度,可创建大规模场景下全局一致性地图,基本满足四足机器人应用需求。