科学技术的进步,使得人们对美好生活的向往有了更深层次的追求,人们已不满足于只能完成单一既定任务的设备,而是更青睐于具有一定思维能力的智能机器人。SLAM是人工智能技术的重要基础,其赋予了机器人自我感知世界的能力,通过搭载特定的传感器,在未知的环境中实现对环境模型的构建,同时估计自己的运动。目前,SLAM技术已被广泛应用于智能机器人、无人机、自动驾驶以及AR/VR等领域。伴随着计算机视觉技术的飞速发展,视觉传感器因其价格低廉、体积小和易部署等优势也得到了广泛的应用,研究一种以视觉传感器为主导的同时定位与地图构建方法成为了学者们所关注的话题之一。SLAM定位的实时性以及地图的高精度,依赖于一定的视觉计算和地图刷新频率,对系统计算和存储的需求高,导致资源有限的平台随着算法的迭代更新而失去支持。虽然引入DSP、GPU和FPGA等硬件资源能满足视觉SLAM方法的运行需要,但大量的同构处理器设备仍无法得到有效的应用,硬件成本的提高也违背了视觉SLAM方法低成本部署的初衷。此外,SLAM还面临着数据传输与共享的问题。一方面,SLAM实时生成的地图依赖于充足的存储空间,长时间运行必须对历史数据进行传输转移;另一方面,地图数据除了用于自身的定位,更要为其它上层的应用提供数据共享服务。为此,本文针对视觉SLAM方法在资源有限平台上的应用问题,提出了一种基于端边协同的轻量级视觉SLAM方法,重点解决算法的实时性和地图数据处理等问题。本文的主要研究内容如下:1)对目前主流的视觉SLAM方法进行调研与分析,提出视觉SLAM方法轻量化部署所遇到的问题与挑战。对已有的视觉SLAM方法进行深入的研究,从原理上分析各种算法的优点与不足,为本文进一步的研究奠定坚实的基础。2)特征点不受光照影响,具备旋转不变性和尺度不变性等优点,使得基于特征点法的视觉里程计有很高的准确性和稳定性,但该环节相对耗时,是提高实时处理帧率所要解决的首要问题。本文通过对特征点提取环节的理论分析,提出了一种基于并行化加速的特征点提取方法,能显著地提高现有算法的工作效率。3)现有的基于特征点法的视觉里程计算法,对每个输入图像都会进行关键点提取和描述子的计算,相邻图像之间基于特征点匹配来确认彼此之间的相对运动关系。同时,只有关键帧的描述子才会用于位置识别,对于大量普通图像的描述子是无效的。因此,本文提出了一种基于灰度不变性假设的快速跟踪策略,避免无效且耗时的描述子计算。同时,限制后端地图优化问题的规模,对地图数据及时进行历史缓存与推送,避免了本地存储量与计算量的激增。4)针对轻量级设备无法长时间缓存和维护大量的地图数据问题,本文结合边缘计算思想,提出了一种基于端边协同的地图构建方法。具体地,包含可靠的端边通信机制,位置识别和地图融合方法,解决因相机共视导致的地图数据冗余问题。本文以树莓派4B作为轻量级研究设备,并且基于KITTI Visual-Odometry和TUM Visual-Inertial数据集对本文方法开展综合性的实验。实验表明,本文方法相比于主流的视觉SLAM方法,算法的实时处理效率明显提高,端边协同机制能有效降低端设备的负载要求,同时也促进了设备之间的地图数据实时共享与融合,为开展大规模场景下的地图构建提供了有效的解决方案。