随着时代的发展,越来越多的移动机器人被用于仓储物流运输和服务型行业中,因此机器人往往需要在高度动态的环境中进行可靠的定位和控制。一方面,基于相机这类接收环境信息的传感器的定位算法受到环境中动态物体的影响较大,而使用多传感器紧耦合的融合方法对初始化场景的静态性要求较高,常规的松耦合的融合方法又无法有效的消除动态物体对定位的影响;另一方面ROS作为应用最为广泛的机器人开发平台,其实时性较差,已无法满足当下对移动机器人的控制速度和控制精度的要求。因此,本文针对上述两点,重点研究了动态场景下移动机器人的自适应视觉惯性融合定位方法,并对基于ROS和Ether CAT的实时性优化方法、移动机器人的运动学建模及其路径跟踪控制等关键技术进行了探讨。本文的主要工作包括:针对场景中动态物体对视觉定位估计算法的干扰的问题,基于目标检测网络和视觉特征点覆盖度,提出了一种用于量化表征场景中动态物体对视觉定位的影响情况的指标——动态场景干扰指数。实验表明该指数可以实时地反映出场景中动态物体对视觉算法的影响情况。针对动态场景下机器人的定位问题,基于动态场景干扰指数提出了动态视觉惯性融合定位算法,其可根据干扰指数实时动态的更新扩展卡尔曼滤波的视觉位姿测量误差协方差矩阵,能够有效的消除场景中动态物体对最终定位结果的影响,并在KAIST URBAN数据集下进行了实验,结果表明了其相较于常规算法有着更高的定位精度和鲁棒性,尤其适用于高动态场景。针对ROS通信机制实时性不足的问题,对其标准的发布/订阅机制进行了优化,通过搭建Linux实时操作系统、静态分配内存、增加互斥锁以及多线程订阅回调的方式,防止了其标准通信过程中可能发生的阻塞情况。并通过在GAZEBO仿真环境下实现二轮自平衡移动机器人的自平衡控制。进行了二轮差速式移动机器人软硬件架构的设计,并结合软硬件系统完成了实验平台样机的搭建。对两轮差速式移动机器人的运动学解算进行了研究,并构建了轮式里程计。在实物实验平台的基础上,研究了Ether CAT主站与ROS节点的结合应用,并对其通信延时进行了测试;在实际的多个场景下设计了实验,验证了本文的动态视觉惯性融合定位算法在实际的动态场景中与前文数据集实验具有一致的结果;此外,对机器人的路径跟踪控制进行了探讨,并进行了实验验证。