对于移动机器人在室内环境的定位任务，新兴的基于视觉惯性里程计（VIO）的辅助定位技术受光线条件限制大，无法在黑暗环境中工作，且超宽带（UWB）定位易受非视距（NLOS）误差影响。针对以上问题，提出一种UWB与VIO组合的室内移动机器人定位算法。首先，采用立体视觉多状态约束下的Kalman滤波器（S-MSCKF）算法/双边双向测距（DS-TWR）算法和三边定位法，分别得到VIO输出的位置信息/UWB解算的定位信息；然后，建立位置测量系统的运动方程与观测方程；最后，通过误差状态扩展卡尔曼滤波（ES-EKF）算法来进行数据融合，得到机器人的最优位置估计。使用搭建的移动定位平台在不同的室内环境下对组合定位方算法进行验证。实验结果表明在有障碍物的室内环境下，与单一UWB定位方法相比，所提算法的总体定位的最大误差减小了约4.4%，均方误差减小了约6.3%；与VIO定位方法相比，所提算法的总体定位的最大误差减小了约31.5%，均方误差减小了约60.3%。可见所提算法可为室内环境下的移动机器人提供实时、精确且鲁棒的定位结果。

针对动态场景下的定位与静态语义地图构建问题，提出了一种基于语义和光流约束的动态环境下的同步定位与地图构建（SLAM）算法，以降低动态物体对定位与建图的影响。首先，对于输入的每一帧，通过语义分割获得图像中物体的掩模，再通过几何方法过滤不符合极线约束的特征点；接着，结合物体掩模与光流计算出每个物体的动态概率，根据动态概率过滤特征点以得到静态特征点，再利用静态特征点进行后续的相机位姿估计；然后，基于RGB-D图片和物体动态概率建立静态点云，并结合语义分割建立语义八叉树地图。最后，基于静态点云与语义分割创建稀疏语义地图。公共TUM数据集上的测试结果表明，高动态场景下，所提算法与ORB-SLAM2相比，在绝对轨迹误差和相对位姿误差上能取得95%以上的性能提升，与DS-SLAM、DynaSLAM相比分别减小了41%和11%的绝对轨迹误差，验证了该算法在高动态场景中具有较好的定位精度和鲁棒性。地图构建的实验结果表明，所提算法创建了静态语义地图，与点云地图相比，稀疏语义地图的存储空间需求量降低了99%。