伞红军，王汪林，陈久朋，王 晨

（昆明理工大学机电工程学院，云南昆明 650500）

0 引言

同步定位与地图构建（Simultaneous Localization and Mapping，SLAM）是移动机器人在未知环境下实现自主定位导航的核心技术［1］。相较于激光、雷达，视觉同步定位与地图构建（Visual SLAM，VSLAM）因采用视觉传感器而具有一定成本优势，成为SLAM 领域的热门研究方向之一［2］。

按照视觉里程计的计算方法不同可将VSLAM 分为直接法［3］和特征点法［4］。直接法基于灰度不变假设直接根据像素亮度信息估计相机位姿，完全不用计算关键点和描述子，但在高光环境中存在退化或失效等现象。Engel 等［5］结合地图梯度与直接法提出LSD-SLAM，其可在CPU 上实时构建半稠密地图，缺点是在快速运动和曝光环境中相机位姿会丢失；Forster 等［6］提出SVO（Semidirect Visual Odome⁃try）算法，使用半直接法利用稀疏特征点定位相机位姿，运行速度快，但跟踪丢失现象严重，且不适用于高光环境；En⁃gel 等［7］提出的DSO（Direct Sparse Odometry）是纯直接法的SLAM 系统，能够快速实现稀疏点云地图的构建，但对光照敏感，鲁棒性不高。

特征点法使用特征点的匹配计算相机位姿，对关键点的提取与匹配精度要求高，如果存在太多误匹配，相机位姿估计会有很大偏差。因此，如何有效剔除误匹配并提高位姿估计精度是SLAM 研究者们一直关注的问题。传统SLAM 系统使用随机抽样一致（Random Sample Consensus，RANSAC）算法［8］剔除误匹配特征点，该算法通过随机抽取样本数据计算模型参数，能快速找到最优估计［9］。Mur-Ar⁃tal 等［10］提出一个基于特征点的实时SLAM 系统ORBSLAM2，无论规模大小、室内室外都可以运行。该系统对剧烈运动也很鲁棒，能实时计算相机轨线，并生成场景的稀疏三维重建，但耗时长且存在一定的误匹配。……