视觉惯性里程计(VIO)作为视觉SLAM领域最具前景的研究方向之一,受到了各界的广泛关注。VIO将低成本、小型化的惯性测量单元(IMU)和摄像机融合在一起,一方面利用相机提供的丰富场景信息来约束IMU的漂移,另一方面利用IMU输出的载体自身运动信息来确定单目视觉中的尺度因子并将其与惯性空间对齐,充分利用了两者的互补关系进行导航和定位。与传统的滤波方法不同,本文采用定位精度更高的非线性优化紧耦合方案进行传感器信息融合。本文的主要研究工作概述如下:1.对VIO系统中涉及到的坐标系进行定义并明确了坐标变换关系;分析了IMU测量模型和针孔相机投影模型,建立了视觉SLAM问题的数学模型,并采用非线性最小二乘的方法对其进行求解。2.研究了VIO系统的初始化方法,在视觉前端使用KLT光流法对图像特征进行跟踪并利用SFM的思想恢复相机位姿,同时对连续两帧图像之间的IMU数据进行预积分处理,最后将两者求得的位姿结果进行松耦合,通过求解线性最小二乘方程获得后端优化所需要的系统初值,包括尺度因子,陀螺仪的零偏,重力加速度的方向以及载体的运动速度。3.利用IMU测量误差和视觉重投影误差构造非线性优化的代价函数,同时采用“关键帧”边缘化的策略来保证系统常量的计算消耗和实时性,为了避免信息的丢失本文将边缘化的先验信息加入到代价函数中。另外,本文还增加了回环检测和四自由度位姿图优化功能,分别用来减少系统的累积误差、保证系统运动轨迹的全局一致性。最后本文在VIO纯旋转的运动条件提出了一种基于扩展卡尔曼滤波的姿态解算方法,4.在ROS机器人操作系统上对所研究的VIO定位算法进行了实现,并进行了实际硬件测试和数据集测试,验证了算法的鲁棒性和有效性,从定性和定量两个角度分析了算法的定位效果。实验结果表明回环检测显著提高了视觉-惯性导航系统的定位精度,减小了误差累积。对于纯旋转的运动场景,基于扩展卡尔曼滤波的姿态解算算法也可达到较高的姿态估计精度。