随着人工智能技术的迅猛发展,移动机器人的发展逐步走向智能化。而移动机器人的自主导航是其走向智能化不可或缺的一环,视觉SLAM技术则一直致力于解决移动机器人在未知环境下的未知位置进行建图与导航,移动机器人一边通过对未知环境地图的构建一边进行判断该往哪个方向前进。但是在移动机器人进行自主导航之前,还需要对其所在位置进行定位,定位与建图也是视觉SLAM首先需要解决的两个问题。视觉里程计作为视觉SLAM的重要组成部分,主要就是用来解决移动机器人的定位问题。相较于传统的里程计,视觉里程计具有其独特的优势,其仅利用视觉传感器即可完成,不需要任何运动及场景的先验信息,也不会受到传感器精度降低、编码器读数不准确或者惯导漂移等因素造成数据误差所带来的影响,适用于非结构化的场景和非常规的平台。此外,视觉里程计还能提供丰富的场景特征,完成障碍物辨别、目标检测及可通行区域划分等任务,为移动机器人进行实时导航提供了更为充分的支持。视觉里程计又被称为视觉SLAM的前端,具有广阔的发展前景和极大的研究意义。视觉里程计的主要任务是根据传感器获取前后帧间的图像信息来估计机器人的运动状态,而各类RGB-D传感器的不断推出促进了三维视觉里程计技术的不断成熟。相较于传统的单目视觉里程计和双目视觉里程计,基于RGB-D传感器的三维视觉里程计不需要受限于通过一定的计算来获得深度信息,而可以直接通过传感器来获取彩色和深度信息。本文提出了一种优化的三维视觉里程计算法,所采用的RGB-D传感器为微软公司推出的Kinect二代传感器,在现有的三维视觉里程计方案上进行优化及改进,旨在保证其具有可靠的鲁棒性和实时性的同时提高视觉里程计的精度。本文的主要研究内容与创新点如下:(1)对用于获取彩色和深度信息的Kinect 2.0传感器的深度测量原理、成像模型以及彩色相机和深度传感器配准原理进行了研究。采用iai_kinect2工具集进行标定与配准,并对标定配准前后的点云图进行了对比分析,同时还研究分析了深度误差与像素坐标X、Y的值以及距离之间的关系。(2)提出了一种优化的视觉里程计研究方案。在特征点匹配阶段,针对ORB特征描述符不具备尺度不变性,提出了一种改进的ORB特征点匹配算法,改进算法借鉴BRISK算法对提取到的特征点进行均匀采样的思想来解决这个问题,并对比分析了ORB算法改进前后的尺度不变性;在剔除误匹配阶段,将阈值法与RANSAC算法相结合来提高匹配的准确性,并通过实验对比分析了ORB算法改进前后滤除误匹配后的正确匹配对数;在位姿估计阶段,利用ICP算法与Pn P算法相结合的方法进行运动变换估计的优化。(3)将视觉里程计算法搭载于视觉SLAM上,采用TUM公开数据集对视觉里程计算法改进前后视觉SLAM生成的全局一致性轨迹的精度进行了评估。另外,将基于改进视觉里程计算法的视觉SLAM应用于Turtle Bot移动机器人,搭建了一种基于改进视觉里程计算法的实时SLAM系统,从而对改进算法的实时性以及鲁棒性进行了验证。