随着人工智能产业的兴起对机器人的智能化提出了更高的要求,其中基于视觉的同步定位和建图(Simultaneous Localization and Mapping,SLAM)技术,具有获取信息丰富、成本较低等特点逐渐广泛应用在服务机器人、自动驾驶、VR(Virtual Reality)等领域。目前视觉SLAM主要有特征点法、直接法等,但均存在自身的局限性。特征点法主要利用图像中的点特征来进行位姿估计,在一些环境包含点特征较少的情况下影响算法效果。针对上述问题,本文提出了一种基于混合特征模型的SLAM算法。首先,自主搭建了全向移动平台,以便采集图像信息并构建了基于环境词典的加速匹配模型;其次,针对特征点法在点特征不足环境下效果较差的问题,本文提出了混合特征模型进行位姿估计;最后,本文采用基于最大共视权重帧的优化策略对位姿进行优化并最终完成地图的构建。论文主要研究内容有如下几个方面:(1)构建二进制环境词典及加速匹配模型针对特征点SLAM算法通常加载文本类型词典耗时较长且场景针对性较弱的问题,本文构建了二进制环境词典及特征加速匹配模型。利用深度相机进行图像数据采集并对深度图进行滤波去噪,提取彩色图像中的点特征并采用Bow(Bag of words)库对图像点特征进行聚类生成词典,使用BOOST库将词典转为二进制文件并根据环境词典构建加速匹配模型。加速匹配模型缩小了特征匹配范围且对比文本类型词典本文所建词典取得较好效果。(2)基于混合特征模型的机器人状态估计方法针对点特征进行位姿估计时在特征不足或缺失的情况下位姿估计效果较差的问题,本文提出了基于混合特征的位姿估算方法。提取图像中的点线特征并利用改进随机采样一致算法(Random sample consensus,RANSAC)剔除错误的匹配特征。然后根据特征点采用EPnP(Efficient Perspective-n-Point)方法估算机器人位姿。此外本文根据灭点原理提出了一种基于单幅图像中线段特征估算位姿方法,将两种估算结果融合后提高了算法鲁棒性。(3)基于最大共视权重帧的全局优化和地图创建针对后端优化计算量大以及点云地图所占内存较多的问题,本文提出了一种基于最大共视权重帧的全局优化方法。在得到关键帧后,统计关键帧之间的共视地图点的数量作为共视权重,通过设定共视权重阈值来控制参与优化的关键帧。得到优化结果后将点云图转为八叉树地图并最终完成创建全局一致的地图。将本文所提算法与ORBSALM算法进行对比,使用TUM公开的RGBD数据集中fr1/room和fr2/desk对二者进行测试。相比于ORBSLAM算法,采用本文所提的基于混合特征的移动机器人同步定位和地图创建方法均方根误差分别下降2.27cm、4.87cm,验证了算法的有效性。利用自主搭建的全向移动平台在实际环境中进行机器人同步定位和地图构建最终得到了全局一致的地图。