进入二十一世纪以来,随着硬件的计算能力不断提升,研究人员在移动机器人领域取得了重大进展和突破。移动机器人要进行一系列运动和环境感知,首要任务就是要明确自身的位置和位姿,视觉里程计(Visual Odometry,VO)就是其中一种解决方案。利用视觉技术对图像流进行分析和处理,进而估计出移动机器人的位姿,这就是视觉里程计。目前,视觉里程计大都遵循着特征提取—特征匹配—局部优化的流行框架,但这类方法在光照条件变化剧烈、纹理稀少的场景估计精度较差。得益于深度学习的兴起,视觉里程计出现了新的研究思路,基于学习的视觉里程计在一定程度上能够克服传统视觉里程计的缺陷。因此将移动机器人视觉里程计作为本文的研究对象,构建基于深度学习的移动机器人视觉里程计算法,并使用Pyrorch深度学习框架进行实现。首先,提出了基于卷积网络和循环网络的视觉里程计算法——CNN-LSTMVO。该算法直接以连续图像序列作为输入,通过卷积神经网络和循环神经网络对图像中隐含的位姿信息进行学习,能够直接估计出连续的相对位姿向量。仿真实验表明,利用KITTI数据集训练后获得的网络模型在测试集上具有良好的鲁棒性。其次,提出了基于生成式对抗网络的视觉里程计算法——GAN-VO。GANVO以生成式对抗网络为框架,以CNN-LSTM-VO为研究基础提出的视觉里程计改进算法。将CNN-LSTM-VO中全连接层之前的部分作为生成器网络用来生成位姿信息,两个鉴别器网络分别对位姿信息中的平移和旋转信息进行鉴别,采用编码器对标签进行编码,解码器将位姿信息解码为位姿向量,整个网络采用对抗学习的方式交替训练。仿真实验表明,经KITTI数据集训练后的GAN-VO,相较于CNN-LSTM-VO,其能够达到更高的精度。最后,以Turtle Bot3为基础搭建移动机器人实验平台,将所提视觉里程计算法移植到嵌入式移动端,采集视觉里程计的预估位姿,映射成预估轨迹进行对比分析。对比结果表明,两种算法都大致估计出移动机器人的运动轨迹。