近年来,随着机器人领域的不断发展,机器人已经广泛的应用于生产生活各个方面。准确的场景地图是机器人与环境进行有效交互的保障,场景地图构建已成为热点问题。同时定位与构图(Simultaneous Localization and Mapping,SLAM)技术在场景地图构建方面应用广泛,虽取得了一定的进展,但是构建的场景地图不含语义信息,地图精度不高,存在深度信息缺失和闭环效果不佳等问题。针对以上问题,本文将规则体信息应用到地图构建中,设计了融合规则体信息与RGB-D SLAM的室内场景语义地图构建方案,借助规则体语义信息与三维模型提高场景地图的质量。本文主要研究工作如下:(1)通过深度学习与传统方法融合完成规则体检测及边缘提取。首先,通过COCO数据集对YOLO目标检测模型进行训练,得到目标检测模型,利用该模型对包含规则体的图像进行检测;然后,利用检测结果将图像分割为仅包含单个物体的图像,使用HED网络进行边缘提取,得到较为准确的物体边缘;最后,结合Canny边缘检测进行优化,得到规则体重建所需边缘信息。(2)通过单张图像中规则体的边缘信息和几何约束完成规则体建模。主要实现了长方体、回转体、球体以及广义圆柱体和广义立方体的建模。建模方式简单高效,可以快速完成建模。对于长方体建模,借助边缘检测所得二维检测框和消失点求解顶点坐标,再结合相机参数求解三维坐标。对于回转体,结合回转体在成像后存在的几何约束,对回转体上下底面形成的椭圆进行拟合,以此为基础逐步求解并矫正生成曲线与对称轴。对于球体,通过在投影图像中选取投影圆上的三个点作为先验,求解圆心及半径,进而结合相机参数求解球心及球体半径。对于广义圆柱体和广义立方体,利用边缘轮廓信息获取底面与侧面轮廓,确定对称轴,然后将底面沿着对称轴进行扩展,从而完成建模。(3)融合规则体信息进行场景地图构建。首先,设计融合规则体信息的场景地图构建总体框架;其次,提出规则体尺度与位姿估计初始化方法,利用帧间匹配进行尺度与位姿的初始估计。在初始位姿的基础上,借助深度数据对规则体尺度和位姿进行优化;最后构建完整的融合规则体信息的场景语义地图。实验结果表明,本文提出的融合规则体信息的场景语义地图构建方法,可以用在室内场景地图构建中,构建的地图包含特定规则体的语义信息与形状信息,相比于传统点云地图,包含规则体语义信息,地图更加完整,适用于更高要求的应用场景,在机器人室内场景服务与环境感知中具有一定的实用价值。