自主移动机器人需要根据不同的任务要求做出不同的移动轨迹,在没有移动物体的静态环境中,机器人可准确地估计自身位姿与建图,但在复杂环境中,特别是室内复杂环境中工作的移动机器人,周围会出现大量的移动物体,如行人,行人会影响机器人的建图与自身位姿估计的精度,本文针对这一问题开展移动机器人在室内环境下的环境地图构建与位姿估计的研究和探讨。主要内容如下:针对视觉SLAM算法进行了研究,通过分析视觉SLAM的技术原理,探究视觉SLAM在动态场景下建图效果与位姿估计差的原因,提出使用YOLOv3作为动态物体识别的工具进行动态物体特征点剔除。分析在室内视觉SLAM场景下视野中较小的运动物体对精度的影响,通过测距实验,得到距离移动机器人大于6米以外移动行人就不会对视觉SLAM造成任何影响,故针对YOLOv3的不足对三个特征层进行了优化,去掉小物体的检测。针对锚框对于行人检测适应性差的问题,制作了室内行人数据集,并使用K-means++聚类算法对数据集中的锚框进行了聚类,得到了12个适用于室内行人检测的锚框,改进后的YOLOv3更好地适应了室内视觉SLAM场景。使用优化的YOLOv3的视觉SLAM在TUM数据集上进行了仿真实验,相比于优化前的视觉SLAM,ATE误差降低了76.81%,RPE误差降低了24.96%。对动态场景下的地图构建方法进行了研究,提出了剔除动态物体的建图方案。通过对比中值滤波、均值滤波、高斯滤波和双边滤波的滤波效果,选取中值滤波方法对Kinect v2采集的深度图像进行滤波处理,减少原始图像的误差和噪声。对深度图像与彩色图像进行配准,剔除行人所在的区域,并将深度图像转换为点云信息,使用罗德里格斯变换将连续帧的点云信息进行拼接,得到完整的点云地图,利用点云地图创建了八叉树地图。在TUM数据集上进行了仿真实验,构建的地图可以不受视野中行人的影响。使用移动机器人实验平台Dashgo D1搭载Kinect v2传感器进行了实地实验。对实验平台进行了运动学建模,设计了实验方案,依据实验方案进行的实验结果表明,本研究提出的动态环境下视觉SLAM方案无论是在位姿估计的精度与地图构建的效果上都大幅度优于传统的视觉SLAM,可以帮助移动机器人在具有行人的动态环境内进行工作,丰富了移动机器人的工作场景,为移动机器人未来的发展带来更多的可能性。