同时定位与地图构建（SLAM）问题被认为是移动机器人实现自主导航的关键,基于视觉传感器的SLAM以其低成本、获取场景信息丰富等优点逐渐引起研究人员的关注。视觉SLAM是典型的计算密集型任务,传统的解决方案依靠机器人机载的计算资源求解,具有执行效率差、对机器人硬件设备要求高等缺点。云机器人概念的提出,为解决上述问题提供了新的思路。本文借助云平台强大的计算和存储能力,针对基于RGB-D的云机器人SLAM系统开展研究。为了降低本地-云端的数据传输量,有必要从由Kinect采集的RGB-D图像序列中筛选出关键帧。由于本文机器人所使用的处理器为低成本嵌入式开发板,其处理能力有限,常规的特征匹配算法无法满足实时性的要求。本文基于直接法对FAST特征点进行跟踪,省略了计算和匹配特征描述子的过程。在估计出移动机器人的位姿信息后,本文考虑了机器人的平移和旋转运动,将旋转量和平移量的向量范数加权求和,作为评判是否为关键帧的标准。实验结果表明,本文提出的方法能够提高关键帧筛选的实时性和准确性。在网络通信方面,为了确保数据传输的连续性和可靠性,本文设计了一种基于Socket的本地-云端数据传输方案。在机器人端,每筛选出一帧关键帧,就通过Socket将其传输到云端数据库中。针对公有云和私有云的实验测试表明,本文设计的数据传输方案能够有效降低对网络带宽的占用,保证关键帧的实时传输。本文在云端按实际需求搭建了虚拟工作实例,并通过ORB-SLAM算法消除累积误差,优化关键帧的位姿。ORB-SLAM采用的多线程结构无法实时运行于嵌入式处理器,而且其构建的稀疏特征点地图无法满足导航及交互等功能。因此,本文在云端基于ORB-SLAM构建了全局一致的稠密点云地图以及可以表示空间占有信息的Octomap地图,为后续的机器人自主导航奠定了基础。实验结果表明,本文系统能够有效卸载SLAM过程中复杂的计算至云端,降低了对移动机器人的硬件性能要求,使复杂先进的算法在低成本系统上的应用成为可能。