移动机器人研究领域包含很多子问题,其中定位与建图问题是实现机器人自主运动和避障功能所必须解决的关键问题。机器人在室外运动可在很大程度上依赖全球定位系统(GPS)提供的信息,但受限于GPS的精度与覆盖范围,室内场景的定位和建图往往依靠同时定位与建图(Simultaneous Localization and Mapping,SLAM)算法。随着计算能力的提升,SLAM算法的研究热点呈现以下发展趋势:从扩展卡尔曼滤波(Extended Kalman Filter,EKF)转向非线性优化(Nonlinear optimization),从依靠单一特征转向多种特征的结合,从依靠单一传感器转向多种传感器融合。本文针对传统的视觉SLAM算法存在的不足,结合视觉传感器和惯性测量单元(Inertial Measurement Unit,IMU),研究并提出了一种基于视觉点线特征融合的VIO系统,提高了SLAM算法的鲁棒性和精确性。本文的主要工作及贡献如下:(1)简要介绍了SLAM算法的研究背景与研究现状,详细介绍了SLAM问题中涉及到的基础知识,包括机器人位姿描述与位姿变换,相机的成像模型与反投影模型,IMU测量模型与预积分,最大后验概率估计理论和非线性优化理论等。(2)分析IMU欧拉积分与中值积分存在的积分精度不高的问题,本文对传统的积分方式进行改进,把4阶龙格-库塔积分法(4 order Runge-Kutta methods,RK4)应用到IMU预积分过程中,详细推到了基于RK4的预积分公式。实验证明,基于RK4的IMU预积分法有效地提高了积分精度。(3)针对VINS-mono的视觉前端使用harris角点(Harris Corner)带来的鲁棒性不高等问题,本文使用Qtree-FAST角点作为视觉前端点特征,融合深度信息使用直接法进行跟踪和定位,并使用IMU预积分提供姿态初值。实验证明,使用自适应阈值均匀化的FAST特征点有利于提高系统的鲁棒性和精确性。(4)针对VINS-mono仅仅使用点特征作为视觉前端带来的在长走廊环境下的跟踪失败问题,本文在FAST点特征的基础上进一步融合了LSD线特征,提出了融合深度点线特征的DPL-VIO系统,并改进了LSD线特征三角化的方法和线段端点的更新方法,在一定程度上解决了传统线特征重构存在的退化问题,并提出了DPL-VIO系统的初始化方法和优化方法。