随着机器人技术的发展,无人车作为一种特种移动机器人,其集控制、执行、环境感知和决策等多功能的一体化系统。控制与执行在现有的汽车上都可以很好地实现,但环境感知与决策依然是一个世界性的难题,已经引起了国内外学者高度关注,另外由于无人车巨大的经济效益,国内外很多高科技巨头公司也投入了大量的人力和物力,但无人车要想很好地实现环境探索和自主导航依然很遥远。实现无人驾驶,首先车能够进行自主定位和构建所处的环境模型,也就是备受国内外关注的SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)问题,其中基于视觉SLAM凭借其信息丰富,成本又低廉等优势,逐渐成为SLAM领域的重要发展方向。本文依托中国科学院汽车电子研究中心的软硬件平台,针对基于双目视觉的低速无人驾驶SLAM的视觉里程计与建图、闭环检测和后端非线性优化等展开了系统的研究。其具体研究成果如下:首先,研究中采用一种基于改进ORB(Oriented Fast and Rotated Brief)算法进行双目视觉图像匹配。首先提取具有尺度不变性的特征点;然后借鉴ORB算法构建特征描述子;最后立体匹配计算出无人车位姿序列、推算出无人车的二维空间位姿并完成建图。同时为闭环检测和位姿地图优化,提供了图像特征点和特征描述子。其次,本文采用视觉里程计与建图已经构建好的特征描述子和BoW(Bag-of-Words)模型进行闭环检测。首先聚类特征描述子实现类中心;为了使视觉特征分层量化,所以递归生成k叉树的BoW;再采用逐层计算图像之间相似性增量的k叉树得分匹配方法;为了形成更好地候选闭环和剔除候选闭环的中错误闭环;最后采用了时间和匹配约束。通过对视觉SLAM闭环检测研究,不仅提高了闭环检测的准确性,也扩展了基于场景外观方法在SLAM系统中的应用,同时丰富了计算机视觉和图像处理等领域的BoW方法研究。然后,构建了基于图的无人车SLAM后端非线性优化结构,采用高斯-牛顿迭代算法优化位姿预测数据与位姿观测数据之间的误差,计算出误差最小情况下的无人车位姿和路标节点最优配置。优化了无人车定位与环境模型,从而指导无人车自主导航。最后,为了验证本文方法的可行性和有效性,采用实验室购买的先锋无人小车在实际环境进行了实验。实验结果表明本文所研究的视觉里程计与建图、闭环检测和后端非线性优化三个线程可以很好地运行。