近年来,随着传感器种类的丰富和成本的不断下降,多传感器融合技术受到了广泛的研究和发展,研究者们正采用多传感器融合技术完成各种智能机器人的状态估计任务。目前,研究者们已经利用相机、惯性测量单元（IMU）、激光雷达等传感器在某些场景中的机器人轨迹导航上获得了较好的状态估计精度,但是对于地面上运动的机器人,IMU包含的尺度会缓慢漂移,保证精度和鲁棒性依然是一个非常关键且有挑战性的工作。本文提出了一种融合双目视觉、IMU和轮速计传感器的紧耦合机器人状态估计算法,包含初始化、测量预处理、预积分纠正、相机和轮速计内外参标定以及多传感器联合优化等模块。本研究利用视觉纠正IMU噪声,降低低性能IMU的数据噪声。对于地面机器人,加入轮速计传感器,可以解决尺度漂移的问题,并提高系统的鲁棒性。整个研究核心贡献可分为三个部分。首先是视觉信息纠正IMU预积分值,降低IMU随机游走和连续积分离散化带来的噪声;其二是实现了相机和轮速计的内外参标定程序;最后是对多传感器数据融合方式的研究,实现了一种简洁有效的轮速计融合方式。本文实现了轮速计的内参外标定程序,标定的参数有非常好的一致性,误差波动在2.5%,该标定方法已开源。我们在大型工厂环境中采集了有代表性的数据集,状态估计精度相比目前同类型的最好系统,提升约50%。值得一提的是,数据集中包含大量不稳定因素,比如暗光、反光、直线运动、动态物体等,系统仍可以高效地运行,体现了我们系统较好的鲁棒性。多传感器融合状态估计是一个十分重视应用的研究领域,本文实现的系统可以广泛应用于餐厅服务机器人、仓库物流机器人、扫地机器人以及自动驾驶汽车等设备的定位和导航任务。