Одновременная локализация и картографирование (SLAM) – это понятие получило в настоящее время широкое распространение в области автономных транспортных средств. SLAM – это алгоритм для решения задачи машинного зрения в автономном транспортном средстве. Стремление привести машинное восприятие в соответствие с человеческой способностью восприятия во время вождения заставляет исследователей совершенствовать алгоритмы SLAM. В данной работе представлены три основных предлагаемых улучшениями для алгоритмов SLAM. SLAM на базе графического представления рассматривается как текущий уровень развития алгоритмов SLAM вообще. Такие алгоритмы состоят из внешнего интерфейса (frontend) и внутренних процессов (backend). Представленные усовершенствования связаны с внешним интерфейсом GraphSLAM. Данная работа описывает преимущества применения обнаружения объекта для исключения динамических ключевых точек из окружающей среды, что поможет повысить точность оценки движения. Кроме того, в диссертации представлен отчет о сравнении различных детекторов ключевых точек. Второе усовершенствование, представленное здесь, говорит о преимуществах использования отслеживания ключевых точек по сравнению с их сопоставлением. Представлено сравнение результатов применения различных дескрипторов при сопоставлением ключевых точек, а также сравнение результатов, полученных при отслеживании ключевых точек и при их сопоставлении. Также данная работа представляет альтернативный подход к установлению местоположения с помощью монокулярных камер, в рамках которого известные размеры объектов обрабатываются с использованием пороговых и контурных операций.

Simultaneous Localization and Mapping (SLAM) is a standard term now days in the domain of Autonomous Vehicles. SLAM is an algorithm for the perception task in an autonomous vehicle. The desire to match the perception ability of humans while driving is driving researchers to improve SLAM algorithms. This thesis takes this journey forward with three major proposed improvements for SLAM algorithms. Graph based SLAM is considered as state-of-the-art for SALM algorithms. Graph based SLAM algorithms are composed on frontend and backend. The improvements presented are related to front-end of the GraphSLAM This thesis presents the benefit of using object detection to exclude dynamic keypoints from the environment which will help in improving the accuracy of motion estimation. In addition, this thesis presents a comparison report of different keypoint detectors. The second improvement presented in this thesis talks about merits of keypoint tracking over keypoint matching. A comparison report of different descriptors with keypoint matching and of keypoint tracking with keypoint matching is presented. At last, this thesis presents an alternative to pose estimation using monocular cameras where the known dimensions of objects are exploited using threshold and contour operations.