机器人的实时定位与地图绘制,即SLAM(Simultaneous Localization and Mapping),是指机器人在未知环境中针对周围环境进行建图并且根据已经建好的地图确定自身位姿的算法。其在生产、生活以及军事活动等方面都有很高的实用价值,典型应用包括地下勘探、无人驾驶和无人机制导等。根据传感器种类不同,SLAM主要分为视觉SLAM与激光SLAM两类,其中激光SLAM因为其精准的激光雷达数据使其能够进行大面积建图,同时能更快更好的对机器人进行重定位,因而成为当前研究的热点。但是大面积建图同时给计算机带来了较大的计算负担,而且2D激光雷达无法很好地辨别扫描平面外的障碍物。根据上面描述的问题,本文在现有的Cartographer激光SLAM算法的迭代算法方面进行了研究与改进,同时将计算机视觉融合到了Cartographer激光SLAM中,本文的主要研究内容如下:首先,分析了Cartographer激光SLAM算法的构图原理以及定位原理,据其包含的Local SLAM与Global SLAM两部分中的配置文件在本研究所使用的water机器人上进行了配置,使其能够在water机器人上实现建图、定位与重定位等功能。并且通过实验对Cartographer在机器人死角转向以及闭环前后对比两方面进行了测试。其次,针对Cartographer激光SLAM算法Global SLAM部分采用的Sparse Pose Adjustment的闭环检测方法进行改进。将其计算框架由现有的LM法改进为一种改进的NAG梯度下降法,降低了闭环检测过程中初始点选择的标准,提高了计算速度。最后,将视觉SLAM与激光SLAM结合,用机器人采集的RGBD图像后采用Shi-Tomas进行角点检测,并且采用金字塔光流法对特征点进行分区域追踪,再通过相机与激光雷达标定将相机坐标系下的特征点转换到激光雷达坐标系下,最终将其绘制在由激光SLAM建的地图上。以此解决2D激光扫描平面以下的特征无法被检测的问题。