实时定位与地图构建(Simultaneous localization and mapping,SLAM)是机器人实现完全自主化和多功能的关键技术,移动机器人主要以搭载不同感知环境信息传感器去实现SLAM,然而单一传感器在实现SLAM时具有很大的局限性,多传感器的融合应用能够弥补单个传感器的局限不足,适应复杂的环境变化,如IMU的高频输出可以处理过激运动,相机的特征跟踪可以克服IMU的漂移,激光点云可以提供高精度长距离的深度信息等。为了在低成本的前提下得到环境信息丰富、精度高的环境地图,本文将结合IMU、深度相机和激光雷达的优势,研究搭建基于视觉惯性激光融合的SLAM算法。本文主要研究内容如下:首先,分析了国内外关于SLAM与数据融合方面的研究现状。对移动机器人系统进行建模,分析了在SLAM过程中机器人的运动模型,相机内部间的坐标变换及相机的观测模型的建立,以及二维激光雷达的观测模型的建立。为缩小相机内参造成的误差,对深度相机进行了标定实验,并使用标定版对相机和激光进行联合标定。其次,视觉SLAM中,分析并总结了视觉SLAM中常见的几种特征点,以及特征点提取和匹配的方法,依据本文的研究内容最终选择采用ORB特征点进行特征提取,及使用随机一致性检测方法对特征点进行匹配,实现对相机位姿的估计;激光SLAM中,分析了激光SLAM中后端优化的两种方式,对基于粒子滤波的激光SLAM和基于图优化的激光SLAM技术进行了理论研究。在仿真平台Gazebo中搭建仿真环境,对各自具有代表性的SLAM方案Gmapping算法和Cartographer算法进行建图仿真实验。通过比对两种不同方案的建图效果,从原理上进行分析,初步选择出更适用于融合建图的SLAM后端优化的方案。最后,对于基于视觉和激光的SLAM进行融合改进,在视觉目标跟踪失败情况下,使用激光雷达的数据对构建出来的点云地图进行补充和二者同时定位成功时采用扩展卡尔曼滤波进行姿态融合。在搭建的实验设备上,通过对比分析仅使用相机所建地图和将激光雷达与相机融合后所建地图,证明了本文融合方法的有效性和鲁棒性。