众所周知，智能移动机器人技术是当今世界上的热门高新技术之一。智能机器人之所以“智能”，就是因为他有相当发达的“大脑”，能进行独特的自我控制。虽然它们并没有真正的人那样微妙而复杂，外表也有所不同，但他们相比以前只能执行固定而简单的程序的机械还是有了长足的进步。
然而只有“大脑”并不能真的让机器人的行动变为现实，自我控制一个很重要的条件就是机器人能采集自己所处周围环境的信息，因此，智能移动机器人具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉、触觉、嗅觉等等，其中，视觉是重要的组成部分之一。随着计算机和传感器技术的发展，移动机器人的研究也进入了一个全新的阶段，即以研制开发高水平的环境信息传感器、信息处理技术和高适应性的移动机器人控制技术为目的。
移动机器人对未知环境的探索一直是机器人研究的热点和难点问题，那么究竟怎样能在未知环境下对机器人进行同步定位和地图构建呢?在很多环境下，机器人并不能利用全局定位系统进行定位，而提前获取并录入机器人未来工作环境的地图则又是很困难，甚至是不可能的，这就需要我们的移动机器人在自身位置不明确的情况下，能采集未知环境的信息并进行地图的重构和定位，即SLAM技术。有效地解决SLAM的实现问题是真正实现智能移动机器人自主化的关键。而随着移动机器人技术的不断发展和复杂化，SLAM问题已成为自主移动机器人研究的最重要的基础性问题之一。
SLAM是指移动机器人通过自身搭载的传感器获取外界信息并对其进行融合、处理，以便机器人对其自主运动信息(主要是方位)和周围环境（即特征信息）做出估计。近年来，随着计算机视觉研究的发展，视觉传感器，例如网络摄像头和单目摄像机等因为其直观，简洁，数据容量大且经济，轻便等优势被广泛应用到了SLAM问题中去。Davison等人在2003年首次实现了手持式单目摄像机在实验室中的SLAM过程，这一移动机器人的热点和难点话题就此产生，而国内在这方面刚刚起步，因此如何解决视觉信息的提炼与融合即成为本课题研究的重点。

2. 研究的基本内容与方案

本课题的基本内容：对基于单摄像头的SLAM技术研究展开研究，编写并实现相关程序，使其可应用于手持摄像头及机器人随动摄像头上，在一定环境下重构移动机器人周围的场景。
本课题的目标：能够在计算机上编译并运行程序，依靠摄像头重建室内桌面小环境及一定的大尺度环境场景，并解决该方法在移动机器人上实现时需要考虑的影响因素和问题。
本课题的基本技术方案：通过查阅资料和文献，对比常见邻近地图特征匹配方法，如基于“关键帧”的SLAM和 基于滤波方法的SLAM的优劣，并在此基础上，在Linux系统中，采用C 语言进行编程，设计简单的单目视觉SLAM 系统。每当摄像机检测到新特征时，就将其初始化信息加入到地图中去，因此，特征的空间信息和摄像机状态就构成了SLAM地图的主要元素。地图特征加入后，信息的更新通常由摄像机状态和特征信息组成的全状态向量来表示，再综合考虑地图中摄像机与特征、特征与特征之间联合概率分布关系的协方差矩阵，就可以依靠相关公式来直观地表示出相应的地图了。

[1] 段锁林, 谈刚, 周玉勤,朱海勇. 移动机器人SLAM问题的研究[J]. 计算机测量与控制, 2016, 24(4):234-236.
[2] 吕权, 李文至, 籍颖. 基于环境特征的SLAM算法分析与评价[J]. 软件工程与应用, 2017, 6(5):135-144.
[3] 杨娜, 李汉舟. 服务机器人导航技术研究进展[J]. 机电工程, 2015, 32(12):1641-1648.
[4] 王忠立, 赵杰, 蔡鹤皋. 大规模环境下基于图优化SLAM的后端优化方法. 哈尔滨工业大学学报, 2015, 47(1):75-85.
[5] 梁明杰, 闵华清, 罗荣华.基于图优化的同时定位与地图创建综述[J].机器人, 2013, 35(4):500-512.
[6] 权美香, 朴松昊, 李国. 视觉SLAM综述[J]. 计算机应用研究, 2015(3):157-158.
[7] 邾继贵, 于之靖. 视觉测量原理与方法[M]. 机械工业出版社, 2012:102-104.
[8] 拉加尼尔. OpenCV 2计算机视觉编程手册[M]. 科学出版社, 2013:98-103.
[9] 吕传龙, 曹华杰, 刘浩东.自平衡机器人中数据融合算法的研究与实现[J]. 中国科技论文, 2012, 7(4):312-316.
[10] Asai S, Yamashita A, Kaneko T, et al. Motion Planning and Movement of a Biped Robot Equipped with a Stereo Camera System Using Visual SLAM[J]. Ite Technical Report, 2012, 36:9-12.
[11] Endres F, Hess J, Sturm J, et al. 3-D mapping with an RGB-D camera.IEEE Transactions on Robotics,2014,30(1):177-187.
[12] Strasdat H, Davison A J, Montiel J M M, et al. Double window optimisation for constant time visual SLAM[C]. International Conference on Computer Vision. IEEE Computer Society, 2011:2352-2359.
[13] Calonder M, Lepetit V, Ouml;zuysal M, et al. BRIEF: Computing a Local Binary Descriptor Very Fast[J]. IEEE Transactions on Pattern Analysis amp; Machine Intelligence, 2012, 34(7):1281-1298.
[14] Dessi D. Whipping-based criterion for the identification of slamming events[J]. International Journal of Naval Architecture amp; Ocean Engineering, 2014, 6(4):1082-1095.
[15] Nowicki M, Belter D, Kostusiak A, et al. An experimental study on feature-based slam for multi-legged robots with RGB-D sensors[J]. Industrial Robot, 2017, 44(4):428-441.