SLAM(Simultaneous Localization and Mapping)即同时定位与地图构建技术,是指移动载体在未知环境下,通过自身携带的传感器实现自我定位和环境地图构建的技术。SLAM被认为是实现诸如无人驾驶、无人机、扫地机器人、AR/VR等的关键技术之一。随着计算机视觉技术的发展,视觉传感器以其获取信息丰富,设备简单、价格低廉等优点备受研究学者的关注并广泛用于SLAM技术中。而视觉传感器在特征缺失、动态场景及运动速度过快等情况容易失效的缺点与惯性测量单元(Inertial Measurement Unit,IMU)高速率的测量自身角速度和加速度的优势具有明显的互补性,因此,使用视觉融合IMU来实现SLAM开始成为新的研究热点。鉴于此,本文提出一种基于单目视觉与IMU的SLAM方案。本文主要研究内容如下:首先,对视觉SLAM和视觉惯性SLAM的技术背景及研究现状进行了介绍和梳理,同时介绍了视觉惯性SLAM中常用的理论知识并推导了相关的数学公式,给出了经典SLAM框架并建立了SLAM问题的数学模型。其次,重点研究了单目视觉惯性里程计(VIO,Visual Inertial Odometry)实现方法,介绍了使用ORB角点检测结合LK光流实现SLAM前端的视觉跟踪,推导了对极几何约束恢复相机位姿的数学公式并分析了李代数上相机位姿、空间点位置的优化问题,同时给出了使用IMU预积分实现视觉和IMU数据融合的方法。然后,在前期的理论基础上,提出了一套基于单目视觉与IMU的SLAM系统。系统包括四大模块:初始化、VIO、后端优化和地图构建。系统初始化采用纯视觉和IMU松耦合方式进行,前端使用ORB角点检测结合LK光流算法进行跟踪,后端包括基于词袋模型的回环检测和重定位,通过视觉和IMU紧耦合方式构建统一的代价函数进行全局位姿优化,以减小系统的累计误差,同时为了降低后端优化的计算复杂度,使用基于滑动窗口的策略来将不满足条件的帧边缘化以控制优化变量的个数,从而提高系统的实时性。最后,使用EuRoc数据集对整个SLAM系统进行了实验和精度分析,结果表明本文提出的SLAM系统输出位姿能达到较高的精度,同时也能实时定位和建图,同时又和现有纯单目视觉ORB-SLAM进行了对比实验,实验表明单目视觉与IMU的SLAM能够解决纯单目视觉SLAM的尺度不确定性问题。