近年来,由于汽车行业和人工智能的快速发展,自动驾驶技术已成为业界的研究热点,各科研院校、汽车制造厂商及互联网公司纷纷涉足并在特定园区场景中进行技术落地与商业化应用。自动驾驶关键技术主要有环境感知、导航定位、决策规划和运动控制等,精确定位是实现车辆自动驾驶的重要环节,为决策规划提供准确实时的车辆位姿信息。目前自动驾驶车辆大多利用GNSS/INS实现实时高精度定位,但因环境中建筑物、树木等遮挡,某些区域下GNSS信号存在不稳定的情况,导致定位出现偏差,无法满足园区自动驾驶车辆定位需求。近年来SLAM技术的发展为解决上述问题提供了新思路,有望通过自动驾驶系统中已有传感器实现遮挡环境下车辆准确实时定位。但将现有视觉SLAM技术应用于封闭园区自动驾驶定位中,还存在特征跟踪丢失,累积漂移较大等问题,且未充分考虑车辆具体应用场景和实际运动特性,影响车辆定位精度和鲁棒性。为此,本文以封闭园区自动驾驶视觉惯性定位系统为研究对象,采用基于特征光流跟踪和自适应深度估计的视觉前端,构建符合车辆实际运动约束的运动学模型,基于滑动窗口紧耦合优化的方式,实现车辆模型约束下视觉惯性联合位姿优化,并设计考虑图像特征空间几何约束关系的回环检测算法,旨在提升封闭园区自动驾驶视觉惯性定位系统的精度和鲁棒性。本文主要研究内容如下:（1）基于车辆模型约束的视觉惯性定位系统架构设计。通过相机获取环境图像信息,基于特征对应关系构建视觉重投影误差,通过IMU获取车辆运动状态信息,基于IMU预积分构建IMU测量残差,利用车辆运动学模型构建车辆位姿变化约束,基于视觉测量残差、IMU测量残差和车辆运动学模型约束,联合构建定位系统代价函数以实现车辆位姿紧耦合优化。增加考虑特征空间几何约束关系的属性图匹配检验,提升回环检测准确率,减小车辆位姿估计累积漂移。利用全局位姿图优化确保位姿的全局一致性,增加位姿图保存和加载功能以实现地图重用。（2）基于特征光流跟踪和自适应深度估计的视觉前端。采用角点提取与光流跟踪相结合的前端处理,对每帧图像提取角点特征,利用稀疏光流算法对其进行跟踪,并进行运动估计。光流跟踪可避免计算和匹配描述子的耗时,直接得到特征点对应关系,有效改善跟踪丢失的情况。采用双目匹配和移动视角立体视觉相结合的特征深度估计方式,根据双目图像匹配计算视差并区分远、近特征点,近特征点由双目图像直接获得深度信息,远特征点通过多帧图像移动视角立体视觉进行深度估计。两者结合既可充分利用双目匹配的有效信息,又可弥补其深度估计的局限,实现自适应特征深度估计。（3）基于车辆运动学模型约束的视觉惯性紧耦合位姿优化。结合具体应用场景及车辆实际运动特性,考虑相邻测量时刻间车辆在同一平面上运动,根据阿克曼转向模型描述其局部运动,在不引入额外传感器的情况下基于自行车模型原理构建自动驾驶车辆运动学模型,并推导相邻测量时刻间车辆位姿变化预测表达式,构建车辆运动学模型约束,实现车辆运动学模型约束的视觉惯性紧耦合位姿优化,缩小车辆位姿优化空间,改善位姿估计结果。（4）考虑图像特征空间几何约束关系的回环检测算法设计。建立场景图像的属性图模型,在传统词袋模型基础上增加考虑特征空间位置关系的属性图匹配检验,实现基于属性图匹配的回环验证,提升回环检测的准确率,减小车辆位姿估计的累积漂移。通过回环检测识别车辆之前经过的位置,建立当前帧和回环帧间的特征级连接,并将其对应关系集成到局部视觉惯性联合优化的滑动窗口中,以较小的计算代价实现低漂移车辆位姿估计。（5）基于公开数据集和封闭园区场景数据的试验验证。基于KITTI公开数据集和智能网联车辆平台采集的封闭园区数据,对算法进行测试和试验,并与目前主流的视觉惯性定位算法ORB-SLAM3进行对比,充分验证算法的有效性。试验结果表明,基于车辆运动学模型约束的视觉惯性定位系统能够有效提升封闭园区自动驾驶车辆定位精度和鲁棒性。