近年来,随着无人机(Unmanned Aerial Vehicle,UAV)技术的日益成熟,其灵活性较强,受时间空间的制约性弱,在很多领域得到了越来越广泛的应用。无人机智能体的一个基础任务是在给定的环境条件下,通过自身携带的传感器等,确定其所在位置信息,同时地图信息也是未知的,因此还需要构建所在环境的三维地图,这就是即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)问题,是运动恢复结构(Structure from Motion,Sf M)的实时情况的应用。当应用场景规模较大或大规模复杂场景下,单无人机就不能稳定的实现定位与地图构建。针对以上问题,本文主要研究基于RGB-D相机传感器的多无人机平台视觉SLAM技术,研究多无人机地图融合算法,最后针对传统算法的假设缺陷解决运动目标的处理问题。本文研究内容:本文分析了单个无人机执行任务的系统鲁棒性差的问题,构建了多无人机协作的系统框架,不同的无人机平台都搭载华硕Xtion2深度相机传感器和ORB-SLAM2算法,分别完成自身在未知环境的定位问题和子地图的构建。在此基础上提出了基于改进的迭代最近点(ICP-Improved,ICPI)的多点云地图融合算法,以每台无人机构建的子地图为基础,通过重叠区域的匹配融合,求出不同子地图坐标系直接的变换关系。使用改进的KD-tree算法进行最近点匹配点对的搜索,结合点云法向量间的关系剔除错误匹配点,提高了算法的收敛速度和降低迭代次数,最后得到融合后的全局三维点云地图。在研究上述问题的过程中,发现了多数成熟的现有SLAM算法都对应用场景假定为静止的,即不能出现运动的物体。这种强烈的静态假设限制了大多数视觉SLAM算法的应用,在现实中真实的应用场景诸如智能驾驶和服务机器人等,必然会存在运动的物体。因此,针对传统SLAM应用场景的限制,本文研究了动态场景下SLAM算法中对运动物体的处理方法,基于深度学习R-CNN(Region-CNN)网络对运动目标进行检测和识别,将运动的物体分割剔除,然后利用前后关键帧信息补全剔除物体后的背景,建立了动态场景下剔除运动物体的静态地图。实验证明,本文的方法可以解决动态场景下无人机的定位与建图问题,能够以较高的识别成功率剔除运动物体,实现静态地图的构建,在动态场景下,相比于传统SLAM的构图精度和轨迹估计都大大提高。