视觉惯性融合定位（Visual-Inertial Odometry,VIO）是在未知环境中通过双目视觉的图像特征信息和IMU的姿态信息,进行非线性优化来估计智能机器人位姿轨迹状态的过程,是智能机器人进行场景感知和自主导航的先决条件。传统的VIO技术均假设场景为静态,一旦场景中物体发生移动,会造成图像信息不完善和运动模糊等情况,使得图像帧间特征点追踪失败,进而导致传感器位姿状态估计偏移。为了有效解决复杂动态场景下视觉惯性融合的位姿估计问题,本文展开以下研究:1.为获得双目相机和IMU在空间中的姿态转换信息,提出一种双目视觉和惯导联合标定算法。首先根据双目相机的投影模型分析深度测量原理和重投影误差,通过棋盘标定法求解双目相机内参;其次利用IMU测量模型分析采样过程噪声的来源,通过Allan方差求解噪声误差;最后利用双目相机和惯导在空间中的转换矩阵求解联合外参参数,提高利用IMU观测数据求解相机旋转角度信息的准确度。2.由于实际场景中移动物体会造成图像中关键信息遮挡等现象,导致图像特征匹配误差,使得载体自身位姿估计精度降低,提出一种基于L-K光流法和图像语义分割的运动一致性检测算法。在利用L-K光流法筛选动态特征点的同时,采用基于Seg Net的卷积神经网络完成图像语义分割;然后对异常点和语义分割图进行匹配确定移动对象,并将该对象轮廓内特征点进行清除;最后利用静态特征点进行位姿状态求解。选用KITTI数据集进行仿真验证。仿真结果表明,本文所提算法相比于ORB-SLAM2在动态场景中具有更准确的位姿轨迹。3.由于视觉定位系统易出现图像无纹理和图像模糊等情况,导致位姿状态估计失败,提出一种视觉惯性融合定位算法。首先采用IMU预积分策略完成图像帧间的IMU信息对齐;其次通过视觉残差和IMU残差构建目标优化函数并进行非线性优化;最后利用回环检测模块完成轨迹闭环区域的图像相似度筛选和位姿重定位,可有效解决系统长期运行形成的累积误差和位姿估计偏移问题。4.搭建自主无人车实验平台,并在实际校园场景中对本文所提算法进行实验验证。实验结果表明,相比于VINS-Fusion算法,本文所提算法在复杂大规模动态场景下具有更精确的位姿估计值。