无人驾驶技术是一个庞大且复杂的系统性工程,但其核心始终离不开传感器、定位与导航技术。全球定位系统（CPS）作为目前主流的定位技术无法满足厘米级的定位和避障,且在室内和城市中无法做到全覆盖。而基于计算机视觉的定位技术很好的补充了 GPS这一短板。同步定位与建图（SLAM）旨在实现三维场景重建以及成像传感器的相机位姿估计。目前主流的SLAM算法对计算性能的要求较高,往往需要高性能图形处理单元（GPU）加速才能实现高精度和高帧率的实时运行。由于体积和功耗的限制,这不利于SLAM算法在便携设备上的普及。因此本课题将对SLAM算法进行研究,并针对移动设备对其作出改进,提高精度的同时减少了计算量。主要研究工作如下:1)对比目前主流的SLAM系统。设计了最适合室内移动设备使用的整体框架。采用RGB-D作为输入,使用直接法进行位姿估计,利用回环检测方法去除SLAM系统的漂移现象,利用SLAM的稀疏性,使用光束平差法对全局进行优化。深入学习SLAM系统每个部分的数学原理,研究SLAM系统精度和速度的影响因素,找到关键参数,针对移动设备进行针对性的优化。2)RGB-D图像的预处理。预处理使深度图变得平滑,一些噪声和较大的深度值将被去除。常用的算法是双边滤波,然而该方法的计算量较大,不适合用在移动设备中,本课题对预处理进行了改进,对比不同的图像降噪算法对在深度图中的效果,以及最终反映到定位精度和速度的影响。最终在不降低精度的情况下将预处理的时间降低了 87%。3)关键帧选择方法。当新的图像与最新的关键帧相差过大时,必须创建新的关键帧。关键帧的选择对平衡系统精度和速度至关重要,关键帧选择方法旨在确定合适的关键帧密度。如果机器人的速度很慢,则帧会很密集,应提取较少的关键帧。如果机器人的速度很快,则图像稀疏,应提取更多的关键帧。另外,如果使用过多的关键帧,则会浪费计算量。但是,如果使用的关键帧太少,则准确度会过低。本课题提出了一种新的关键帧选择方法。考虑到SLAM系统对于纯旋转运动更为敏感,在关键帧选择方法的判断机制中加入了旋转和平移的分量。并对其进行测试以确定最佳值。经过实验测试,证明该方法有效地平衡了系统的准确性和速度。4)在系统后端的BA优化中野值的抑制。野值在SLAM系统中非常普遍,往往是由于移动的对象或阴影的变化造成的。需要在优化之前使用Tukey Biweight鲁棒核函数对其影响进行抑制。针对移动设备和室内场景对鲁棒核函数进行了优化,在不影响速度的前提下,提高了精度。最终对改进后的系统进行了仿真和实验,与同一公共基准数据集中的最新方法进行了比较,实验证明整体的改进在原有的系统上得到了 13%的速度提升和12%的精度提升。