移动机器人在未知环境中的自主导航问题,实际上就是移动机器人对于自身进行定位以及对未知环境进行描述的问题,对于这两个问题的研究产生同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术。大多数的SLAM研究都是基于数学概率的方法,常用的有激光导航、惯性导航、红外导航和WLAN导航等,但受限于传感器的成本以及算法自身的问题,这些导航方法并不能被广泛应用。视觉SLAM(Visual SLAM,VSLAM)是一种基于相机的视觉SLAM定位方法,通过获取的图像信息进行特征描述来推算机器人位姿,进而完成环境地图的构建。相比于传统的SLAM方法,VSLAM方法的实时性更好,定位精度更高,成了近年来SLAM方向的研究热点。本文以模拟鼠类导航的VP-SLAM视觉导航方法为研究方向,以位姿细胞网络和视觉场景细胞来完成传统SLAM的定位和构图任务,并针对VP-SLAM易受环境光线变化影响和定位精度不高的问题,提出改进特征匹配算法的VP-SLAM模型降低环境光线变化的影响;提出基于改进匹配算法的增长自组织神经网络VP-SLAM模型提高模型的定位精度。通过对VP-SLAM模型的深入学习以及针对实验室环境的模型实验可知,在VP-SLAM模型中场景图像的匹配是依靠绝对差总和(SAD)算法完成的,而SAD算法对光线的变化比较敏感,在遇到光线直射和障碍物遮挡情况下,VP-SLAM模型会造成场景误匹配,VP-SLAM模型的实验室实验结果表明,当误匹配过多时,机器人的定位误差变大,回环检测效果不理想,导致生成的经历地图与实际轨迹不符。本文采用了一种SURF特征匹配算法代替了原有模型的SAD算法进行视觉图像的匹配,首先利用SURF算法生成的特征描述子完成图像的特征点提取,将提取过的特征向量放入视觉模板库,辅助VP-SLAM模型完成视觉模板库中当前模板与历史模板匹配,进而完成位姿细胞网络活性表征误差的修正,有效提高模板匹配准确率,最终得到更为优良的经历地图。其次,采用了一种增长自组织神经网络(GSOM)算法,利用其无监督学习模式可以快速进行环境拓扑地图构建。后根据位置细胞的激活响应特性,构建一种位置细胞的响应模型。在GSOM和响应模型的基础上,通过采集环境数据,再将位置细胞的激活响应特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建环境的拓扑地图,再利用感知的路标距离信息实现位置细胞的激活响应从而估计物体位置,使得定位精度进一步提高,最终产生更为准确的经历地图。本文通过搭建的硬件平台对改进的算法的VP-SLAM模型进行实验验证。实验结果表明:通过引入SURF特征匹配算法有效改善了原有模型对光线变化敏感的缺点,显著提高了模板匹配的准确率,得到了更精确的经历地图;提出的GSOM算法有效的构建了环境拓扑地图,通过位置细胞响应模型进行位置估计,降低了 VP-SLAM模型的定位误差,提高了 VP-SLAM模型在室内环境中定位与构图能力。