单目同步定位和地图构建（Monocular Simultaneous Location And Mapping,Monocular SLAM）是一种通过单个摄像头传感器来进行环境三维重建以及自身定位的技术,相比双目或RGB-D SLAM实现成本更低。光束平差法（Bundle Adjustment,BA）是一种联合优化相机参数以及特征点三维坐标的算法,也是SLAM系统后端的关键部分。然而,该算法存在计算量庞大的问题,极大地限制了SLAM系统在嵌入式平台中的应用。本文针对光束平差法中复杂度最高的舒尔补求解步骤进行研究,分析其算法流程和矩阵特征。在此基础上,本文提出了一种舒尔消除加速器架构,实验测试表明可以更好地应对性能功耗受限的嵌入式场景的应用需求。本文的主要研究内容和工作如下:1.分析现有的非线性优化算法,并对主流的列文伯格—马夸尔特（Levenberg-Marquardt,LM）算法进行了深入研究和总结。针对LM算法中最耗时的舒尔消除过程进行了部分优化,从而对硬件实现更加友好。2.针对舒尔补求解过程,本文设计了一种舒尔消除加速器。为了优化功耗,本文依据修改的算法流程进行数据流和存储结构设计,以利用数据局部性降低片外访存功耗。其次,本文优化了矩阵运算过程的缓存访问形式以降低片上内存读访问次数。除了功耗优化外,本文在性能提升方面也进行了一系列改进,例如充分利用矩阵的对称性和中间计算结果的共用来避免不必要的运算。进一步地,在舒尔补更新阶段进行循环展开,调度矩阵运算来达到降低数据相关性、提升性能的目的。此外,为了降低硬件资源消耗,本文采用改进的数据重排方案来降低数据选择器的大小。3.本文在公认BA性能评估数据集Bundle Adjustment in the Large（BAL）和常用SLAM性能评估数据集TUM上对修改后的算法进行了实验,并分析其误差影响。实验表明,舒尔消除过程采用单精度类型计算造成的平均相对误差在10-8～10-6量级,单目SLAM系统在算法修改后归一化绝对轨迹误差增长最大不超过0.03%,证明误差影响可以忽略。此外,在TSMC28nm工艺下,对加速器进行硬件实现。实验表明,该加速器在500 MHz频率下,整体功耗为35.2m W,在选取的数据集上完成舒尔消除过程需要5.089ms-11.503ms,相比Intel i5-8400平台和ARM Cortex-A9平台分别提升了3.13和72.00倍的性能,可以满足主流SLAM系统局部优化的需求,同时相比已有先进架构方案内存消耗降低了64.61%。