足式机器人以其优越的运动灵活性、环境适应性,以及复杂环境下的多功能性,已然成为人类挑战自然、探索未知领域的智慧创造机器。四足机器人作为足式机器人一个重要分支,已经从军事侦察、爆破逐渐向救援巡逻、商业运输、大众娱乐等众多领域展开应用,得到了广大学者的普遍关注。然而,当机器人处于野外工作时,机器人的自身定位上仍然存在定位不精确、避障困难,且无法实现对实时路况环境的最优选择,经常会造成机器人的丢失、困机、炸机等问题。因此,针对机器人的自主定位和智能导航方面的优化研究是实现机器人远程智能化控制的重点和难点。目前,视觉惯性里程计技术在解决上述问题中具有突显的优势:其核心在于有效的融合了机器人自身惯性信息和随机摄像头采集的视觉信息,这样既提高了机器人自身的灵活稳定性,又保证了机器人在快速运动或特征缺失情况下的精确定位。本文以经典的四足机器人为研究对象,提出了一种基于迭代扩展卡尔曼滤波器的视觉惯性里程计。具体研究内容如下:首先,通过构建四足机器人模型。利用D-H参数法对机器人运动进行分析,求得机器人单腿运动的雅各比矩阵,推导了足端轨迹与关节角度的对应关系。对机器人整体进行了 trot步态运动的仿真分析,得到了机器人的运动规律。其次,对比了几种常见的特征提取算法,并选择FAST(Features From Accelerated Segment Test)特征提取算法提取图像中的关键点。然后根据提取的特征点获取与筛选图像块,作为地标的描述符。再对选择的图像块提取多级图像金字塔,并将地标与多级图像块进行关联处理。图像处理后得到的光度误差集成到扩展迭代卡尔曼滤波器的迭代更新步骤中,使系统变得更加紧凑。对系统的状态向量进行了定义,并使用机器人为中心的坐标系,减小了非线性误差。再次,通过对惯性传感器进行建模,构建了运动学公式,推导了状态向量的误差传播方程,用误差方程作为协方差矩阵的预测更新,同时将视觉里程计输出的相机位姿作为观测量进行测量更新。提出了一种将惯性测量单元的数据直接相加求平均值的方法来解决采样频率不一致的问题,该方法计算量较小,具有良好的实时性,并且不会对系统造成性能损失。最后,分别在公开数据集、室内室外和足式机器人上进行了实验并对实验结果进行了分析。实验证明,使用这种基于滤波器框架的视觉惯性里程计可以实现高精度的、高鲁棒性的定位,满足了足式机器人对于实时性和鲁棒性的要求。