视觉SLAM方法广泛应用于复杂环境的自主定位与建图。但将相机作为唯一传感器,难以应对弱光、弱纹理、快速运动。将相机结合IMU进行视觉惯性SLAM,能显著提升鲁棒性,并将单目视觉SLAM尺度不可观变为弱可观。地面移动机器人经常处于匀速运动或纯旋转状态,此时单目视觉惯性SLAM缺少加速度激励,无法观测尺度,将造成严重的定位误差。对于地面移动机器人,引入轮速传感器,可解决上述尺度弱可观问题,并提高在异常情况下的定位鲁棒性。本文提出了一种使用单目视觉、惯性测量与轮速测量的多传感器融合SLAM算法,以紧耦合方式融合各传感器测量,使用非线性优化方法最大化后验概率以求解最优状态估计,并具备回环检测与后端优化能力。在算法的设计与实现过程中,主要研究成果包括:基于力矩控制的麦克纳姆轮移动底盘控制算法,可利用运动约束误差估计轮速测量可信度;针对地面全向移动底盘的底盘-IMU内外参标定,无需辅助装置;融合轮速与IMU角速度的轮式里程计预积分,可避免重复积分;基于轮式里程计与IMU的状态初始化;底盘异常状态主动检测算法,可主动隔离错误的底盘速度测量。在房间尺度场景、楼层尺度场景以及车轮打滑、碰撞、绑架、视觉丢失等异常场景中进行了对比实验。结果说明本文算法的精度高,812米的运动后仅有2.2米的累积误差(0.28%,禁用回环优化);鲁棒性强,在视觉丢失、快速运动、绑架、打滑等传感器失效情况下均可有效定位。精度与鲁棒性均优于单目视觉惯性SLAM以及传统轮式里程计算法。