Para abordar o problema da baixa precisão na estimativa de pose, ou até falha completa, dos algoritmos visuais de Localização e Mapeamento Simultâneos (Simultaneous Localization and Mapping, SLAM) baseados apenas em características pontuais únicas em cenas internas com textura esparsa e variações de iluminação, combinando características lineares e de superfície mais estáveis, foi proposto um sistema RGBD-SLAM de desacoplamento de pose baseado em características de ponto, linha e superfície. O sistema aproveita plenamente as vantagens complementares das diferentes características e as propriedades estruturadas da cena, adotando a ideia de estimativa desacoplada de pose, realizando a estimativa de rotação sem deriva por meio da hipótese do mundo de Manhattan, e minimizando uma função conjunta de erro multifuncional para estimar a translação, reduzindo assim o erro acumulado causado pela estimativa de pose quadro a quadro dos sistemas SLAM tradicionais, melhorando a precisão da estimativa de pose, e construindo com base nisso um mapa estrutural de ponto-linha-superfície rico em informações ambientais. Os resultados experimentais mostram que o sistema SLAM proposto aumentou a precisão absoluta média da trajetória em 54,5%, 23,5% e 28,3% em comparação com ORB-SLAM2, PL-SLAM e SP-SLAM, respectivamente, em oito subsequências do conjunto de dados ICL-NUIM; em onze subsequências do conjunto de dados TUM RGBD, os aumentos foram de 33,9%, 26,2% e 11,7%, demonstrando um melhor desempenho de posicionamento global e maior robustez do sistema; além disso, o mapa estrutural de ponto-linha-superfície construído pode descrever melhor o ambiente.

Localização e mapeamento simultâneos; características de ponto, linha e superfície; desacoplamento de pose; ambiente de textura fraca; cenas com variação de iluminação