在救援人员施救之前,使用机器人对灾害场景进行评估并构建相应的环境地图,可帮助救灾人员精准施救,大大提升救援效率。小型无人机具有良好的机动能力,能够通过建筑物外侧破损窗口飞入高层建筑物内部,解决了地面移动机器人难以进入灾害后建筑物内部的问题。本文针对小型无人机建筑物内部灾情信息获取与建图问题展开了研究并给出了相应的解决方案。针对小型无人机通过破损窗口自主飞入飞出问题,本文提出了一种基于关键点的窗口检测算法。不同于常规的室内物体,无人机要穿越的目标窗口区域中心通常没有确定的背景信息,因此常规的目标检测算法效果不佳。为了避免窗口中心背景信息的干扰,本文使用关键点热力图对窗口的边缘角点位置进行回归,从而使所设计的网络更关注于目标的边缘轮廓信息。该算法在数据集及实际场景测试实验中都有较好的表现。当无人机穿越窗口进入建筑物内部后,需要利用自身携带的红外视觉与可见光视觉传感器来完成受伤人员检测和桌、椅、电视等目标的检测。考虑机载计算资源有限,本文采用了单阶段目标检测算法中速度较快的YOLOv2作为基准算法。针对YOLOv2使用较低分辨率的特征图进行目标检测会导致目标中心定位不准确的问题,本文提出了一种将骨干网络输出的特征图进行4倍上采样,并使用中心热力图监督网络训练的方法。通过使用上采样后获得的高分辨率特征图,可有效提升YOLOv2算法在伤员检测和室内目标检测上的精度。以上述检测结果为基础,本文给出了小型无人机构建室内环境语义地图的解决方案。考虑到现有ORB-SLAM2算法构建的地图只包含几何信息,但缺少与伤员和室内物体相关联语义信息的问题,本文使用前述二维目标检测算法去检测ORB-SLAM2关键帧中的目标,并将关键帧中检测到的二维目标映射到三维地图中。此外,该方法还解决了不同帧之间的数据关联问题,从而获得带有语义标签的环境地图。在OpenLORIS-Scene数据集上对本文所提目标检测及语义地图构建方法进行测试,所得结果验证了本文所提方法的有效性。