文献综述（或调研报告）：
关于如何在室内解决定位问题是一个很有意义的研究问题，一般把这类问题叫做SLAM问题，并且学者们提出了很多研究方法[1][2]。其中，基于视觉的定位方法由于对环境的依赖性低，而被广泛研究。然而，实际在视觉定位中存在很多不确定性问题，比如摄像头参数的不确定性，以及反光等带来的干扰等[3]。如何结合摄像头，对移动机器人进行准确的定位，依旧存在着很多的难点。
Davison等人提出的MonoSLAM是第一个成功利用移动端的不可控制的摄像头得到“纯粹的视觉”的系统[4]，该系统单纯使用单目相机即可实现定位。随后，Klein和Murray在2007年提出了一种实时的基于BA优化[5][6]的视觉里程计算法，称为parallel tracking and mapping (PTAM)算法[7][8]，该算法实现了前端与后端的分离，前端保证实时性，后端保证准确性，这是一种全新的有效的思路。
Forster等人于2014年提出一种SVO算法[9]，这是一种半直接法，该方法跟踪的特征点采用直接法来估计相机运动，这里跟踪的特征点并不计算其描述子，所以它的速度非常快。而且它对平台要求不高，所以它用于很多由于计算问题而受限的场合，比如无人机等设备。
在2015年，ORB-SLAM被Mur-Artal等人提出[10][11]，它是目前为止可用的传感器最全的视觉SLAM系统，无论是单目、双目还是RGB-D相机都可以使用它，并且可以达到很好的效果。ORB-SLAM也是现在的视觉SLAM系统中性能最好，最完善，最好用的系统，无论在大小场景中，它都能适用。ORB-SLAM采用ORB算法[12]作为其特征点，速度相比于SIFT要快两个数量级，比SURF要快一个数量级。
本项目的设备为英特尔公司的RealSense RGB-D摄像头，可以利用结构光原理获得深度信息，但是考虑到摄像头上的红外传感器会受到自然光和其他传感器的干扰，效果有待检测，因此，单目版ORB-SLAM和RGB-D版ORB-SLAM都作为备选方案。实际上，单目ORB-SLAM算法在开始阶段会根据“对极几何”和“三角测量”原理恢复出特征点的3D坐标，因此，单目ORB-SLAM和RGB-D ORB-SLAM算法的大部分流程都是一样的。此外，根据前人的测试，即使ORB-SLAM已经具有很好的鲁棒性，但还是无法避免视觉算法的通病，环境光还是可能会使算法出错。对此，可以利用RealSense 摄像头上自带的IMU单元获得惯性数据，与视觉定位结果进行融合，给出最终定位结果。
参考文献：
[1] 赵锐, 钟榜, 朱祖礼, 马乐, 姚金飞. 室内定位技术及应用综述[J]. 电子科技, 2014, 27(03): 154-157.
[2] 魏芳, 董再励, 孙茂相, 王晓蕾. 用于移动机器人的视觉全局定位系统研究[J]. 机器人,2001(05): 400-403.
[3] R. Siegwart , I. Nourbakhsh . Introduction to Autonomous Mobile Robots[M]. MIT Press,2011.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
