定位导航是汽车走向智能化必不可少的重要模块,目前汽车在外部环境中的定位已发展到了比较成熟的阶段。相比之下,在内部环境中比如地下车库等,由于没有GPS的辅助导致汽车的定位在精度方面大打折扣,所以基于传感器的定位成为了解决地下车库车辆定位问题的重点研究方向。论文针对在地下车库汽车定位中所面临的一系列问题展开研究,在传感器选择方面采用成本较低的单目相机和惯性测量单元IMU,从两个角度为出发点改进VINS-mono算法,并对实验结果进行对比分析。论文的主要研究内容如下所示:（1）针对在地下车库车辆定位中面临的图像之间视差小,立体特征点和平面特征点切换频繁的问题,提出了一种基于角点匹配的视觉惯导融合定位算法,简称算法一。改进原算法中单一的基础矩阵模型,基于运动恢复结构（Structure From Motion,SFM）算法,在视觉估计位姿的初始化阶段,加入单应矩阵模型形成双线程位姿估计模型。算法后端采取了紧耦合的非线性优化方案,深度优化IMU偏置、外参和特征点深度等状态量。最后通过匹配Brief描述子进行回环检测,使用全局一图优化得到融合后的定位坐标等信息。（2）针对汽车在地下车库中的弱纹理区域定位不精准问题,提出了一种基于直接法的视觉惯导融合定位算法,简称算法二。改进原算法中Harris特征点的提取,采用提取灰度值陡变像素点的方法,在估计视觉位姿的初始化阶段,使用直接法构建非线性残差方程,并通过高斯牛顿方法迭代求解出视觉位姿。在算法融合的后端,将基于光度不变原理所构建的视觉残差引入紧耦合优化模型中,取代原算法中的重投影残差。改进后的定位算法使得汽车在通过弱纹理区域时,提取到更丰富的特征信息,使得定位更加精确。（3）在实验方面首先通过Eu Roc数据集对两种改进算法进行测试,将实验结果与原VINS-mono算法对比。最终结果表明,算法一在精度方面明显优于原算法,算法二在精度方面略逊于算法一,但略高于原算法。然后在地下车库中分别以闭环和非闭环路径进行实验验证,标记起始和终止位置,以此为标准估计出车辆定位的距离误差。结果表明,无论是闭环路径还是非闭环路径,算法一的定位精度都是最优的。综上所述,所改进的基于角点匹配法的视觉惯导融合定位算法更适用于地下车库的环境。