本课题研究内容来源于上海市科委的基于多源无缝定位导航的桥梁无人机巡检课题。随着人工智能的快速发展,移动机器人逐渐处于重要的地位。自主导航是移动机器人智能化的重要标志之一,在自主导航的过程中,机器人首先需要确定自身的位置,即实现实时定位功能。视觉SLAM简称VSLAM技术,一直致力于解决在未侦得的室外环境中移动机器人的定位、建图、导航功能。移动机器人的定位和建图,是视觉SLAM最重要的两个部分,其中定位部分由SLAM系统的前段即视觉里程计实现。但是视觉里程计也存在一些问题,如其用于彩色和深度图像捕捉的RGB-D摄像机在实际探测中经常由于光照、遮挡、散斑等原因造成所检测到的深度图像出现许多深度信息缺失的区域,在严重时缺失深度信息的特征点数达到总数的四分之一,这无疑会对初始位姿的估计以及后期的迭代优化造成很大的误差;其次,目前主流的ORB算法在特征点的尺度和光照问题上并没有很好的解决办法,导致里程计在光照、尺度问题上的鲁棒性较差。针对以上问题,本文提出的基于Kinect的改进RGB-D视觉里程计,旨在保证视觉里程计实时性和鲁棒性的基础上,提高视觉里程计的精度,其贡献主要如下:(1)研究了目前在视觉里程计中的几种主流特征点法,并对目前主流的特征点法ORB算法进行了改进。在保证ORB算法已有的良好的实时性和旋转不变性的基础上,对于其尺度问题,参考BRISK算法的思想,在建立图像金字塔获得特征的位置和尺度后,采用均采样模式,构建尺度和光照归一化的描述子,因描述符自身采用了对称的圆形采样结构,使得其在旋转变换中具有良好的适应性。除此以外,在尺度问题上,由于采样点的位置和半径随着尺度的变换而变化,使得其在尺度上也具有良好的适应性。在光照不变性上,提出了一种基于图像对比度的自适应阈值,使得改进后的算法在图像对比度下降较大时不会出现大量特征点丢失的现象,使得ORB算法在光照问题上具有较好的健壮性,而后的测试也证明了算法的可行性。(2)在里程计的定位精度问题上,在实际探测时发现深度相机经常由于光照、遮挡、散斑、反射、吸收等多种情况导致深度区域的丢失,较为严重时丢失区域的特征点数量将近达到总量的四分之一,这导致使用传统的ICP等算法在处理相机位姿估计有迭代优化上很难取得良好的效果,甚至会使得初始估计位姿偏离迭代区间,使得迭代算法难以成功收敛造成里程计无法正常运作。针对此类问题,本文提出了一种改进的位姿优化算法,先将检测到的特征点对用RANSAC算法进行外点剔除,留下可靠内点,再按匹配点的深度信息进行分类,将深度信息完好的3D-3D点对使用ICP算法估计相机初始位姿,深度相机缺失的3D-2D点对使用Pn P算法估计相机位姿,将所得的相机位姿加权融合得到总的相机初始位姿估计,将点对问题化为一个BA模型,求得其代价函数并利用g2o求解器进行迭代优化,最后实验也证明了该算法的具有很好的实际效果,一方面,大大提高了视觉里程计的精确性。另一方面也提高了视觉里程计在恶劣环境下的鲁棒性。