近年来,移动机器人被相继运用到清洁、智能仓储和物流配送等领域中。而基于视觉和惯性测量单元（Inertial Measurement Unit,IMU）融合的视觉惯性里程计（Visual Inertial Odometry,VIO）定位方法,因其具有精度高、不需要与环境进行交互等优点被广泛的用于解决未知环境中移动机器人的定位问题。然而,实际的机器人运行环境复杂多变,且机器人通常安装低精度的IMU和相机以降低制造成本。低精度IMU存在噪声系数大、零偏系数不稳定,与相机测量值之间存在时变的延时等不足。这些因素导致VIO算法在实际的机器人系统上运行时,出现定位精度下降,甚至定位失败的问题。因此,针对低精度的IMU和相机,开发高精度、鲁棒的视觉惯导融合定位算法,提高移动机器人在复杂未知环境下的定位精度,对移动机器人的发展具有重要的意义。针对上述问题,本学位论文以低精度IMU和相机为研究对象,以滤波理论作为基础框架,以提高定位算法的鲁棒性和精度为目标,从鱼眼相机模型、IMU零偏系数在线估计、传感器之间时间同步和融合模型能观一致性四个方面开展研究,并搭建实际的移动机器人平台验证算法的有效性。本文主要研究内容如下:（1）针对机器人运动过快或环境光照不均匀造成的特征点退化,进而导致定位失败的问题,提出基于增强统一鱼眼相机模型（Enhanced Unified Camera Model,EUCM）的VIO算法。首先,针对鱼眼相机采集的图像畸变严重的问题,基于特征点匀速运动假设条件对误匹配特征点进行剔除,提高特征点匹配精度。然后,使用EUCM相机模型对鱼眼相机进行建模,以降低投影模型的计算量,提高计算速度。随后,考虑离线标定相机参数存在采样不充分的情况,将鱼眼相机参数加入到了系统状态变量中,对相机模型参数在线标定,提高相机参数的精度。最后,采用FEJ线性化处理方法,固定状态转移矩阵和观测矩阵的线性化点,改善VIO算法的能观一致性,提高算法定位精度。实验结果表明,提出的算法可以准确估计鱼眼相机的内、外参数,且相比经典的MSCKF-VIO算法,计算速度提高了4.5%,同时定位精度也优于经典的MSCKF-VIO算法。（2）针对低精度IMU零偏系数不稳定的问题,对IMU参数标定开展研究,提出基于双阶段卡尔曼滤波的IMU零偏在线估计算法。利用加速度测量信息对陀螺仪零偏系数进行在线估计,提高陀螺仪零偏系数的稳定性,进而提高定位算法的鲁棒性。在边缘化相机状态时,基于Schur补模型对系统状态中相机位姿边缘化,以避免丢失待边缘化的变量与其他状态变量之间的相关信息。实验结果表明,所提出的算法在特征点观测不准确的情况下,可以准确估计陀螺仪的零偏系数,提高定位的算法鲁棒性。相比经典的MSCKF-VIO算法,提出的算法可以有效提高轨迹精度。（3）针对低精度IMU和相机之间不支持同步触发采样,IMU和相机测量值之间存在时延的问题,对传感器时间同步问题开展研究,提出了基于亮度误差的时延标定算法。对相机与IMU之间的时延参数进行建模,将其添加到系统状态变量中,利用特征点亮度误差进行在线更新,实时估计时延参数。实验结果表明,特征点的亮度误差可精确估计图像与IMU测量值之间的时延参数,且与经典的VIO算法相比,提出的考虑时延参数的VIO算法在定位精度方面有明显的提升。（4）针对传统VIO算法采用First Estimation Jacobian（FEJ）线性化处理方法,通过固定线性化点的方式改善能观一致性,导致线性化点远离了真实点,从而引入了模型误差的问题。对VIO算法融合模型的能观一致性进行研究,提出了群代数表示下的右不变状态约束卡尔曼滤波算法,提高算法的能观一致性和定位精度。算法使用群代数表示系统的状态变量,基于群空间理论推导EKF中的状态转移矩阵和观测矩阵,并对提出算法的能观性进行了理论推导与证明。实验结果表明,所提出的算法有效地的改善VIO算法的能观一致性,提高算法定位精度,且在大噪声条件下该算法精度优于采用FEJ线性化的VIO算法。相比不考虑一致性约束的VIO算法,提出算法的定位精度平均提高了44.74%。