近年来随着核心处理器性能的提升、新型传感器价格的下降,以移动机器人为代表的人工智能产业得到迅猛发展。移动机器人是多个交叉学科研究的产物,涉及高精度定位、环境感知、人机交互、运动控制和路径规划等多项机器人技术。其中高精度定位和环境感知是最为基础且重要的环节。然而,现有的移动机器人受应用场景固定、定位稳定性不高、环境交互能力弱等多个方面的影响,导致其可用性不高、实际经济产出较低。基于上述的需求,本文围绕移动机器人高精度定位和环境感知的关键问题展开研究,主要涉及相机内参和视觉-激光外参的联合标定、位姿估计模型、回环后的增量式位姿图优化、视觉与激光传感器紧耦合四个方面,通过对模型的改进和算法的创新,提升了视觉和激光紧耦合过程中定位和建图的精度。本文提出的算法集成应用于国电南瑞的变电站巡检机器人,并在实际的使用中取得了厘米级别的重复定位精度。具体的工作内容如下:1.提出了基于三维标定板的相机内参和视觉-激光外参标定方法针对现有激光和视觉标定过程过于复杂的问题,提出了一种相机内参和相机-激光外参联合标定方法。并针对平面标定板位姿估计退化的情况,设计了一种三维标定板。在相机内参标定的过程中使用了归一化和系数化的方法保证了线性方程求解的稳定性。与平面标定板相比,本文提出的基于三维标定板的方法拥有更高的相机内参精度和稳定性。同时,提出了一种基于三维标定板的相机-激光外参标定方法,利用三个相互垂直的平面在激光坐标系和相机坐标系下建立对应关系,从而求解得到激光和相机的外参参数。相比于现有的激光-相机外参标定方法,本方法环境设置简便、匹配精度较高且空间一致性较好。2.提出了PCA框架下的PnP改进方法针对现有3D-2D（PnP）算法因输入点方差较大导致其算法结果精度严重降低的问题,提出了一种基于PCA方法的PnP算法框架。首先,将输入的点云进行PCA分析,并根据PCA分析的结果建立新的三维坐标系。然后,根据三维点在新坐标系下的坐标使用PnP算法计算位姿。最后,在位姿求解的过程中使用了新的位姿变换模型进行求解,提高了位置的稳定性。在实验部分,针对现有的PnP仿真算法实验中设定三维点坐标范围太小的情况,本文根据实测数据的结果设定仿真实验中相机内参和三维坐标范围,并使用实测数据验证PnP算法的稳定性。实验结果表明本文提出的PnP算法框架拥有更高的精度和和稳定性。3.提出了基于李群李代数的ICP总体最小二乘方法针对现有SLAM系统中3D-3D（ICP）模型未将源点云误差纳入优化的问题,提出了一种基于李群李代数的ICP总体最小二乘算法。该算法使用李群李代数对位姿变量进行参数化,解决了现有总体最小二乘算法中欧拉角万向锁的问题。同时,在模型求解的过程中给出了两种不同的李群李代数参数化方法,分析了两种不同参数化方法的优缺点。实验结果表明本文提出的ICP总体最小二乘算法拥有更高的精度和鲁棒性。4.提出了不依赖FEJ位姿图优化增量式算法针对现有依赖FEJ的增量式位姿图优化算法无法达到全局最优解的问题,提出了一种不依赖FEJ算法的增量式位姿图优化方法（G-PGO）。本文提出的G-PGO算法能够保证优化结果为全局最优解。首先,本文详细分析了现有位姿图参数化与初始化方法,并对实验结果进行分析,选择了最优的参数化和初始化方法应用于G-PGO算法中。然后,为了能够有效地剔除错误回环对优化结果带来的影响,设计了一种残差估计方法应用于G-PGO算法中剔除异值数据。实验结果证明,G-PGO增量式位姿图优化方法优于现有的方法。5.提出了基于空间平面信息的视觉和激光紧耦合方法针对激光和视觉紧耦合算法,提出了一种利用空间平面信息进行定位和建图的算法。首先,利用三维激光点云稀疏的特点设计了一种拥有几何意义的曲率,新设计的曲率计算方法在不同场景下曲率阈值能够保持不变,从而能够有效地提取出空间中的平面点。其次,基于检测出的平面点提出了一种三次增长的平面检测方法,将三维激光点映射到体素空间然后在体素空间中进行BFS增长,提高了平面点识别的准确率。然后,使用各帧提取出的平面点设计了一种基于膨胀和腐蚀的平面多边形凹/凸点检测方法并用于平面匹配。最后,根据匹配的平面提出了一种不需要地图点参与的位姿优化方,同时根据位姿结果和匹配的平面信息恢复出了空间中平面的稠密三维点云地图。