室内服务机器人的室内定位导航技术为满足日益提高的室内任务复杂性,得到了越来越多的关注。同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是解决室内服务机器人导航的常用技术。基于滤波的方法和基于图优化的方法是解决SLAM的常用两种方法。基于图优化的SLAM（Graph SLAM）方法存在着数据规模大、效率较低、不宜广泛应用等问题。本文针对Graph SLAM的实时性问题,对Graph SLAM系统框架展开研究,分析Graph SLAM后端误差来源,并提出了基于PageRank的Graph SLAM后端优化方法,提高优化效率与实时性。主要研究内容如下:首先,基于图优化框架的SLAM研究。Graph SLAM由前端、闭环检测、后端及建图构成,是开展Graph SLAM研究必要内容。SLAM前端主要完成位姿图构建,研究基于特征点法的Graph SLAM前端,建立基于ORB的特征点提取与基于FLANN的特征点匹配的SLAM前端。闭环检测是用来检测是否回到原始位置,研究基于词袋模型的闭环检测,通过建立词袋,并进行关键帧之间的相似度计算完成闭环检测。后端则是对机器人的位姿及空间特征点的位置进行优化,研究基于BA的后端优化,降低后端优化的复杂性。建图是将后端优化结果进行地图表示。进而搭建Graph SLAM系统,为后端优化研究提供了基础框架。其次,基于RGB-D传感器的后端优化误差研究。先对SLAM所用的RGB-D传感器进行介绍。之后,分析Graph SLAM后端中存在的误差来源。基于RGB-D传感器的SLAM在计算机器人两个时刻间的位姿变换时,由于传感器的固有属性,会有误差产生,即重投影误差。该误差是后端中主要的误差来源。根据此误差,建立Graph SLAM后端优化模型,将SLAM问题转化为非线性最小二乘优化求解问题。并对后端优化的通用性工具进行了详细的阐述。再次,基于PageRank的Graph SLAM后端优化算法。不同节点在同一大型网络节点中存在不同的影响。在Graph SLAM构建的位姿图中含有大量节点。通过对PageRank算法的研究,利用PageRank算法计算位姿图中节点的重要性,根据不同节点的重要性,降低位姿图的规模,减少后端优化的数据,达到提高实时性的目的。最后,对基于PageRank的Graph SLAM后端优化算法进行实验验证,并对实验结果进行分析。实验结果表明,Graph SLAM后端优化时间缩短,实时性得到提高。