同步定位与地图构建技术(SLAM,Simultaneous Localization and Mapping)是移动机器人领域最基本和关键的技术之一,基于相机传感器的视觉SLAM是SLAM技术研究的热点。经过十几年的发展,面向室内等小规模场景的视觉SLAM技术已经趋于成熟,然而,随着机器人探索环境规模不断扩大,视觉SLAM系统会出现环境地图规模和系统资源消耗无限制增长、单机器人建图低效等问题。本文面向大范围环境,在机器人硬件资源有限的条件下,针对地图规模无限制增长与单机器人建图低效问题进行分析和研究,主要工作和创新点包括:(1)面向大范围环境,设计了多机器人协同视觉SLAM系统框架。深入分析了视觉SLAM系统的数学模型,并以ORB-SLAM2系统为基础,设计了面向大范围环境的视觉SLAM系统框架。框架采用集中式拓扑结构,由多个视觉SLAM客户端和一个服务器构成。视觉SLAM客户端能够独立完成环境建图任务,对地图数据按照空间信息进行调度与管理。服务器端接收来自各个客户端的地图数据,对地图进行融合、更新和共享。(2)针对大范围环境下视觉SLAM系统地图数据规模无限制增长问题,提出了层次化视觉SLAM数据管理方法。本文将视觉SLAM系统数据管理模块划分为短期存储、工作存储和长期存储三层。本文提出了 SIBDO数据调度策略在工作存储与长期存储之间合理调度地图数据。在长期存储层中,本文使用PostGIS空间数据库和ODB对象-关系映射工具对地图数据进行持久化存储。实验表明,本文提出的数据管理方法有效降低了视觉SLAM系统的内存消耗。(3)提出了一个基于图像-特征点检测的多机器人地图融合算法。该算法主要包括地图重叠区域检测和地图融合两个步骤。地图重叠区域检测使用DBoW2技术寻找相似关键帧并使用PnP技术计算关键帧间位姿转换矩阵。地图融合步骤使用位姿转换矩阵合并地图,建立地图数据之间的关联,并使用集束优化技术对地图数据进行优化,减少系统误差。基于上述的研究成果,设计实现了面向大范围环境的多机器人视觉SLAM系统框架,解决视觉SLAM的数据管理与多机器人协同视觉SLAM中的技术问题,并在公开数据集中进行了测试,测试结果表明,该系统能够完成多机器人协同SLAM和地图数据管理任务。