机器人定位技术是机器人自主执行各种任务的基础。人工智能技术的发展使得机器人对各种任务有了理解和智能执行的潜力,这也进一步扩大了机器人对定位技术的需求,特别是复杂环境下的鲁棒高精度定位。同时定位与建图技术,能够基于输入的传感器信息对自身的位姿进行估计同时构建出环境的地图信息,是一种具有广泛应用潜力的解决方案。而视觉同时定位与建图技术,通过与相机结合,实现了高信息量、高鲁棒性以及轻量化低成本等优点,是一种重要的定位方法。当前视觉同时定位与建图技术的研究重点已经转向为提高算法的鲁棒性。由于相机自身成像原理的限制,视觉同时定位与建图技术本身对光照质量十分敏感,在恶劣光照下的鲁棒性不足。主动补光传感器通过使用自身配置的光源来提供光照,可以弥补环境光不足的问题,是一种简单有效的解决思路。为了解决恶劣光照情况下的鲁棒视觉定位问题,本文对基于主动补光传感器的视觉定位方法进行了研究,从主动补光的光度修正以及主动补光的光照评价两个角度进行了分析与实验,并将得到的模型与视觉SLAM相结合,提高了视觉SLAM在主动补光下的位姿估计性能和鲁棒性。第一,针对主动补光传感器所造成的光度不均匀问题,本文建立了基于完全漫反射的光度修正模型,并将这一模型与直接法光束平差优化进行紧耦合,提出了一种全新的基于反射率一致性的光束平差优化。并在近红外主动补光设备上进行了测试,实现了一种能够在恶劣光照环境下鲁棒运行的近红外-深度视觉SLAM方法。经过大量的实验,定量分析位姿估计的绝对轨迹误差结果,验证了所提出方法具有先进的性能和鲁棒性。第二,针对主动补光传感器的补光效果对成像质量有重要影响这一问题,本文提出了一种基于图像特征匹配不确定性的补光效果评价方法,并基于这一方法在特征点法视觉里程计中加入了选点机制。首先,本文提出了一种全新的主动补光效果评价方法,使用视觉里程计中特征匹配的不确定性来推导出位姿估计的不确定性分布,随后使用特定的矩阵评价机制来分析整体的补光效果。基于以上方法,可以实现对补光效果的定量评价。最后,将以上特征点不确定性的评价方法融合到了特征点法视觉里程计中,增加了特征点的主动筛选模块。经过实验验证,这一方法可以提高视觉里程计的位姿估计精度。