随着科技进步和社会发展,移动机器人在许多领域得到了广泛应用,在电力巡检、智能驾驶、无人机测绘等领域发挥着重要作用。而机器人定位和建图技术(SLAM)则是对移动机器人智能化发展起着决定性作用的关键技术。特别是当移动机器人开始被越来越多地用于复杂、多变的工作环境时,单一传感器SLAM技术已经无法满足应用需求,而基于多源传感器融合的SLAM技术则成为了新的发展方向。本文结合多源传感器融合的发展趋势和Laser SLAM的发展现状,以提高移动机器人的环境感知的智能化及其在复杂环境中的定位精度为研究目标。从LiDAR和IMU传感器入手,对LiDAR-IMU紧耦合SLAM算法进行研究,所完成的主要研究内容可概括为以下几个方面:首先,提出了基于残差的IMU位姿数据非线性优化。建立了 IMU的运动模型,分析了 IMU数据中Bias对IMU位姿估计的影响。通过IMU数据增量积分的方法,实现了 IMU测量的预积分,并纳入非线性优化框架对IMU位姿数据进行联合优化。之后,提出了基于IMU数据的LiDAR点云数据去畸变方法。利用IMU测量数据,通过线性插值的方法去除LiDAR点云中由于高速运动的产生的畸变,改进了传统单一传感器线性插值去畸变的滞后性。对点云进行梳理、去噪、降低点云数量。通过曲率提取边缘和平面特征,结合基于边缘特征和平面特征进行配准,进而实现整体点云配准。然后,针对LiDAR和IMU坐标系不统一的问题,提出了可用于三维激光器的离线LiDAR-IMU外参标定方法,并结合时间硬同步,实现了时间和空间上的对齐。在后端优化部分中,针对非线性优化过程中计算量过大等问题,提出了基于局部地图的多传感器联合优化框架。在局部地图中,通过滑动窗口建立局部激光雷达优化残差,并结合先验信息实现联合优化框架。通过位姿图优化的方法以及回环检测等手段实现轨迹图的优化,对里程计的累计误差进行修正。最后,设计实验,验证了本文方法的有效性,证明本文所提出的算法与lego_loam相比具有较小的累计误差,精度高于前者。