在室内场景作业机器人逐渐普及的背景下,如何稳定地让机器人感知环境确定自身位置是各类机器人成功作业的关键。本文选择使用RGBD相机与热红外相机生成RGBD-T信息流作为SLAM算法的输入,对如何利用室内结构化特征优化SLAM算法的定位精度与鲁棒性进行了研究。内容如下:研究机器人RGBD相机与热红外相机之间的外参标定与时间同步方法,并基于此提出行人滤除算法。本文首先依照算法验证需求搭建了实验用机器人,介绍了硬件配置与软件环境。由于一般的视觉SLAM方案都假设图像中提取的特征点在三维环境中是静止不动的,动态物体上提取的特征点将严重影响相机位姿的计算精度。而在室内场景中,最多的动态物体就是行人,在满足行人温度普遍高于室内环境温度的假设下,利用热红外相机可以在低算力占用的情况下将行人特征过滤,避免动态的特征影响定位效果。研究针对室内场景的视觉-惯性里程计与结构化场景特征提取。特征点通常作为视觉SLAM系统的输入信息,在一些低纹理的室内场景中,如长走廊,会出现无法提取足够特征点进行视觉定位的情况。即便加上惯性测量单元的帮助在这种场景中一旦长时间无法校正漂移,同样会导致建图效果不好甚至定位丢失。而曼哈顿假设认为室内的平面与直线方向都在三个相互垂直的方向上,利用该假设有助于机器人通过观测平面与直线位置减少姿态的漂移。本文通过对线面特征的提取对室内的曼哈顿坐标系进行观测追踪,可有效减少里程计的姿态漂移问题。本文还提出了编码器-IMU组成的融合自估计单元,提升了定位精度。研究室内场景特征地图与稠密地图构建。构建特征地图是为了追踪室内场景中较大的平面如墙面与地面,在特征地图中保存后可与机器人位姿进行联合优化提升机器人的定位精度。而构建稠密地图是为了给室内机器人提供导航避障的信息,为机器人后续在环境中的不同作业打下基础。