当无人车在未知的室内环境下工作时,构建一个初始地图是进行定位工作的基础,建立一个良好的环境地图,可以为后续研究工作提供保障。而在室内的视觉惯性里程计定位工作中,环境太暗、光照不均匀以及点特征稀缺成为视觉SLAM定位精度的主要影响因素。本课题将以室内复杂环境作为背景,分析在复杂环境下建图与定位的难点问题,针对未知环境下地图难以获取、视觉SLAM在弱纹理与光照变化复杂环境下的鲁棒性差的问题,从以下三部分进行研究,分别为基于改进RRT算法的探索建图算法研究、基于Retinex理论的光度补偿算法研究与基于点线特征的无人车定位算法研究,本课题的主要研究内容如下:当无人车出现在未知的环境时,迅速获取周边环境地图是其首要工作。本课题在RRT算法基础上,搭建基于两个快速搜索随机树的探索建图系统,并在系统算法更新迭代过程中进行优化,实现基于改进RRT算法进行探索建图系统的搭建,并进行最终的仿真实验验证与实物实验验证,证明了系统在未知环境下进行自主探索的可靠性,为后续进行复杂环境定位算法研究做好铺垫。室内复杂环境的一大重要特点就是光照变化复杂,严重影响了视觉SLAM技术的精度。本课题以Retinex基础理论作为光度补偿算法设计实现的基础,首先基于全局平滑滤波算法实现的光照分量估计,然后基于Gamma校正、线性拉伸算法对低频分量进行增强,实现图片的光度补偿处理。通过对视觉SLAM技术中的图片进行预处理,提高点线特征的提取概率,并实现了定位精度的提高。室内复杂环境下,弱纹理环境也是制约视觉定位算法精度的关键因素之一,但是人造建筑内丰富的线特征可以改善定位精度问题。本课题实现了基于Shi-Tomasi点特征与KLT光流法的点特征提取与匹配算法,以及基于优化LSD算法与LBD描述子的线特征提取与匹配算法。最后将光度补偿算法与点线特征提取与匹配算法结合,搭建实验系统,在公开数据集与实物场景下进行验证分析。