相机快速运动引起的运动模糊是视觉SLAM研究领域的一大难题,由于图像的模糊,同名特征点变少,无法从图像中提取到有效的特征信息,从而没办法得到正确的匹配,影响相机的位姿估计,降低了机器人的定位精度,严重的情形下将直接导致定位失败,系统的鲁棒性较差。就目前应用较多的传感器而言,普遍存在这个问题,一旦相机运动速度过快,就避免不了定位丢失。针对这一视觉难题,本文在经典视觉SLAM算法的基础上进行改进,结合D435相机构建了一个应对运动模糊的RGBD-SLAM系统,主要研究内容如下:第一,构建了基于RGBD图像的RGBD-SLAM系统框架,主要包括图像预处理、前端和后端三个部分。图像预处理部分涉及到运动模糊图像的获取以及图像噪声的处理,前端主要涉及了特征提取匹配以及相机位姿的估计,后端主要是位姿的优化以及地图的构建。第二,基于点特征的视觉里程计设计。首先提取ORB特征点,并计算其二进制描述子,然后再利用汉明距离进行图像之间的两两匹配。在基于传统RANSAC算法的基础上进行改进,缩短了模型确立的时间,提高特征点匹配质量和匹配效率。最后根据特征匹配结果进行机器人位姿的初步估计。第三,对基于ORB特征的后端位姿优化算法进行研究。在满足系统实时性的前提下,提出一种基于Brenner梯度的关键帧筛选方法,将较模糊的帧筛除不参与后端优化,以提高系统的定位精度。介绍地图的更新策略,构建词袋模型进行回环检测,最后构建三维点云地图。第四,搭建了视觉SLAM软硬件系统。根据TUM提供的数据集进行实验验证,通过计算数据集所提供的相机轨迹和地面真实轨迹的误差来验证本文所提出的视觉SLAM系统的定位精度。利用turtlebot2机器人搭载D435相机在实际环境中进行实时实验,改变机器人的运动速度,观察在不同模糊程度下系统的特征跟踪以及匹配效果。为了测试系统的定位精度,手持D435相机进行直线运动,求出系统的位姿估计,与经典的点特征系统ORB＿SLAM2做对比。实验结果表明,在相机快速运动造成图像模糊的情形下,本文所提出的视觉系统具有更好的的鲁棒性以及定位精度。