1.1目的及意义

“新零售”的概念：“纯电商时代将要过去，未来没有电子商务，只有线上线下和物流结合的新零售”。

新零售这个概念今年以来大热，第四届“世界互联网大会·乌镇峰会”于2017年12月3日—5日举办完毕，在会上各位国内互联网企业领军人物都再次提及新零售。会后我们得知阿里和腾讯都在布局智慧零售，并且已经在智慧物流的升级上做出了进一步尝试，京东、唯品会等电商也纷纷建起了无人仓。电商繁荣带动了快递业迅速壮大，但是传统的物流设备已经不再适用于现今多变，高效，快捷，准确的使用场景。

最为典型的物流仓储设备就是AGV，AGV作为一款自动化搬运机器人，大大促进了物流业的效率。虽然近些年来，AGV的相关技术已经趋于成熟，但是AGV的定位与地图构建仍然是值得研究的。由于deep-learning和硬件水平的不断发展，视觉SLAM（SimultaneousLocalization and Mapping，同时定位和构建地图）的效果不断提升，其在AGV领域的应用也逐渐被各大企业和研究机构所重视。

1.2国内外研究现状

移动机器人SLAM问题首次被提出实在1986年的ICRA会议上。PeterCheesman提出采用贝叶斯计算去估计机器人 状态，用于实现移动机器人SLAM。1986年的ICRA会议上，讨论得出结论，认为一致性概率型地图SLAM问题是极有研究价值的科学问题，关系到移动机器人未来发展的趋势。随之，再接下来的几年里，一些重要科研成果相继发表。

相隔几年，一种建立环境路标几何不确定性的统计方法被Cheesman、Simith和Durrant-Whyte提出。这种建立环境路标的方法揭示了路标位置信息与后续对该路标的观测值之间的数据高度相关性。相继Leonard和Durrant-Whyte提出新的观点，新观点指出只有移动机器人具备自主估计自身位姿状态并采集环境路标点信息的能力，才能得到一致性概率地图，完成地图构建。这也正是目前关于移动机器人SLAM研究的主导思想。随后，研究SLAM地图构建的收敛性成为了最热门的研究问题，学者通过实验，验证SLAM构建的地图误差会随时间增加不断积累增大。20世纪末期，Durrant-Whyte提出一种建立系统性框架解决移动机器人SLAM的方法，并验证了该方法可以使得SLAM构建的地图误差会收敛。

Durrant-whyte的新方法思想是将位姿状态放入全状态估计器中，得到的状态信息数收敛。新方法未考虑到将庞大的位姿状态量放入全状态估计器中，会导致被估计状态维数增加，造成计算量以及复杂度加大，会影响SLAM系统的计算速度及实时性。综合上述观点，一致、收敛、计算量大小是SLAM系统研究的主要问题，也是未来主要研究方向。

目前，视觉SLAM算法可根据利用图像信息的不同分为基于特征的SLAM方法和直接SLAM方法。