蒲兴成，谭少峰，张毅

(1.重庆邮电大学 数理学院，重庆 400065； 2. 重庆邮电大学 自动化学院，重庆 400065)

移动机器人在完全未知的环境中利用自身传感器获得周围环境信息进行实时定位和地图创建(simultaneous localization and mapping, SLAM)是移动机器人研究领域的一个热点问题[1]。所谓SLAM，是指机器人在一个未知的环境中，从一个未知的位置开始，通过对环境的观测，递增地构建环境地图，并同时运用环境地图实现机器人定位的一个过程[2]。

近年来，基于单目视觉的SLAM问题获得了非常广泛的研究。现有的研究表明，在简单的结构化环境以及地图信息已知(具有人工路标)的环境中进行视觉导航已经有了很大进展，但在完全未知的环境中进行定位与导航还存在诸多问题。造成这一现象的根本原因在于如何在未知环境中获取自然特征。所谓自然特征，是指环境中已有的、非人工设置的、能够用以标识不同环境场景的特征对象[3]。通过提取一些具备局部不变性的角点作为环境的自然特征，该方法选取的自然路标有非常好的稳定性，因此角点检测也是机器人导航的热点问题之一[4]，也出现了一些较好的角点检测方法。FAST(features from accelerated segment test)是一种运算简单直观的角点检测方法，相关测试表明，FAST在计算速度上优于SIFT、SURF和Harris等角点检测方法[5]。为此，笔者一方面采用改进的FAST算法[6]来提取角点，剔除了大部分边缘点和局部非极大值点；另一方面，针对误匹配剔除，采用结合扩展卡尔曼滤波(extended Kalman filter, EKF)的一点RANSAC算法[7]。RANSAC算法是一种应用广泛的误匹配剔除算法，但该算法随着匹配点个数增加，算法迭代次数会迅速上升，降低了算法的计算速度。……