针对变电站机房、化工厂机房等室内环境下的设备巡检,过去往往采用人工巡视为主,该方式存在劳动强度大、巡检效率低、安全性低等弊端,已很难满足日趋严格的室内设备运维管理要求。随着我国人工智能领域的不断发展,室内巡检机器人得到了广泛的应用,并逐渐取代人工巡检,在保障室内设备安全运行方面占据着十分重要的地位。对于室内巡检机器人而言,有效的导航避障是其正常巡检的基础,目前的导航方式主要有磁导航、惯性导航、激光导航和视觉导航。视觉导航相对于其他导航方式具有传感器价格低廉、获取信息丰富等优点,视觉导航的关键在于机器人的实时定位与周围环境构建。本文主要研究人工智能中的关键技术视觉实时定位与地图构建(VSLAM),用于解决室内巡检机器人的自主定位和周围环境地图构建问题。本文的主要研究工作如下:1.全面对比分析两种主要VSLAM算法,确定室内巡检机器人VSLAM算法框架。通过从算法整体框架、定位精度、建图效果等方面对RGBDSLAM-V2和ORB-SLAM2进行对比分析,并结合两种算法的数据集实验结果和室内巡检机器人的导航需求,对比分析两种算法应用于室内巡检机器人中的优缺点,确定室内巡检机器人VSLAM算法框架。2.针对室内巡检机器人导航需求,提出了基于视觉与IMU融合的室内巡检机器人VIORB-SLAM2算法。通过ORB-SLAM2的室内仿真结果分析了该算法应用在室内巡检机器人上的不足,针对ORB-SLAM2的不足对该算法进行改进,提出了室内巡检机器人VIORB-SLAM2算法,本文提出的算法主要包括:将惯性传感器IMU数据与图像数据进行融合,恢复了相机的尺度信息,并且通过IMU数据与图像数据联合构建误差函数对算法进行优化,提高了算法的鲁棒性;采用随机抽样一致法剔除特征点匹配中的错误匹配点和使用归一化互相关匹配算约束关键帧匹配条件,提高了算法的精度;针对ORB-SLAM2建立的稀疏地图无法满足室内巡检机器人导航的问题,通过对点云数据进行提取,采用迭代最近点法对点云进行拼接,构建了可用于导航的稠密地图。3.搭建VIORB-SLAM2算法实验平台,测试本文提出的算法在数据集和实际室内场景下的性能。首先对传感器和巡检机器人进行了选择,随后对传感器进行了内参标定,之后在公开数据集下对算法性能进行了测评,实验结果表明,本文设计的算法解决了ORB-SLAM2算法应用于室内巡检机器人中存在的不足,并且具有较高的定位精度。最后在实际室内场景进行实验,验证了本文算法在室内环境下的适用性。