随着机器人技术的快速发展,机器人在工业界开始被广泛使用,在服务业也展现出了广泛的应用前景,这对机器人的自主能力提出了更高的要求。同时定位与地图构建(SLAM,Simultaneous Localization and Mapping)作为实现全自主移动机器人的关键技术,一直被作为机器人领域的技术难题。随着SLAM问题的数学表达和基本解法日趋成熟,SLAM系统在复杂环境下的鲁棒性和可靠性问题成为其能否走向实际应用的关键所在,也成为SLAM研究领域的研究重点之一。造成SLAM系统在复杂环境下的不可靠的原因之一,就是传感器在不同环境中能够提供的信息量和可靠程度不同,像视觉传感器根本无法在黑暗环境中工作。针对这一问题,本文提出了基于多传感器数据的多场景地图构建技术。其原理是通过检测机器人当前所在的场景类型,调用依赖不同传感器数据的地图构建模型,以避免传感器在某些场景下会失效的问题,从而增强当前SLAM系统的鲁棒性。本文的主要研究内容和主要贡献有以下几点:首先,针对目前现有的开源SLAM算法和场景检测算法的研究现状,本文提出了一个面向场景检测的同时定位与地图构建框架SceneSLAM,其特点是能够对现有SLAM算法和场景检测算法进行无差别地调用,并且能够根据当前的场景检测结果自适应地调度不同的地图构建模型,从而避免传感器在某些场景下会失效的问题。其次,针对室内、室外、黑暗场景检测问题,提出了基于卷积神经网络和贝叶斯滤波优化的场景检测模型。其特点是通过贝叶斯滤波的方法为卷积神经网络的分类结果添加图像之间的关联信息。实验证明本文提出的场景检测模型在检测室内、室外、黑暗场景时具备较好的准确率和稳定性。第三,针对室内、室外、黑暗场景下某些传感器会失效的问题,分别构造了用于应对黑暗场景的激光地图构建模型和用于应对室外场景和室内场景的视觉地图构建模型。基于这两个模型,设计了全局一致性算法,其特点是能够在进行地图构建模型切换时,实现坐标系和尺度信息的转换,从而得到具备全局一致性的地图和定位信息。最后,基于上述研究基础,在Turtlebot机器人平台实现了能够应对室内、室外、黑暗场景变换的SLAM原型系统,并在室内、室外、黑暗场景中反复实验。实验结果表明本文提出的多场景地图构建技术,能够通过场景检测的方式来适应不同的场景,有效地增强目前SLAM系统在复杂环境下的鲁棒性和可靠性。