随着近年来视觉SLAM的火热,如何让其更好的应用在实际的移动机器人上,推动其产业化也成了越来越有意义的研究之一。虽然单纯的视觉里程计现已有了不错的效果,但依然有着它的局限性,在短时间内移动较快,图像被遮挡,图像特征稀疏的情况下不能稳定的工作。惯性测量元件(IMU)一种内受型的传感器,受外界环境干扰小,测量频率高,可以较好地在短时间内计算运动轨迹,但长时间估计又容易累计误差过大。所以整体上,视觉和IMU定位方案存在一定互补性质:IMU适合计算短时间、快速的运动,视觉则适合计算长时间、慢速的运动。我们可利用视觉定位信息来估计IMU的零偏,减少IMU由零偏导致的发散和累积误差,同时IMU也可以为视觉提供快速运动时的定位。基于此,本文采用非线性优化紧耦合的方式融合两种定位算法,从而形成一种鲁棒性更高的定位算法,使其更加适用于工业应用。具体研究内容如下:首先本文对移动机器人定位的重要性以及发展历史做了介绍,同时也研究了纯视觉里程计与视觉惯性里程计的发展及研究现状,并在此基础上构建了基于移动机器人的视觉惯性里程计系统坐标系。其次,分别分析了IMU与相机的测量模型,以及它们如何估计自身运动。本文根据IMU的运动模型,对其进行积分得到位姿。视觉部分则选取了快速有效的GFTT特征点加KLT光流法进行特征跟踪并主要利用Pn P方法求解出相机位姿。再次,研究了视觉惯性联合初始化的方法,利用IMU和相机之间的约束来估计系统状态量初值。使用IMU预积分误差与基于逆深度的视觉重投影误差构造了优化目标函数。为保证系统计算的实时性,采用了关键帧和滑动窗口的策略控制计算规模。另外本文将边缘化的先验信息也加入了目标函数以避免滑动窗口丢失有用的信息。然后通过最小化目标函数来获取位姿,从而实现对移动机器人的定位与运动估计。最后,对本文设计的视觉惯性里程计解决方案进行实验验证,先在Eu Roc数据集上进行测试对比,然后在移动机器人上进行实验。实验的硬件平台是搭载了相机和IMU的移动机器人,实验环境为一般室内环境。经过多次不同的实验测试,验证了本文设计的视觉惯性里程计在移动机器人上的有效性和可靠性。相比纯视觉里程计,本方案更加稳定快速,实用性更强。