机器人能够自主移动,适用于商用服务环境的前提是需要时刻知道自身所处的位置,目前主流的机器人定位方式有视觉定位和惯性定位等。视觉定位在稳定的环境下效果较好,但在剧烈运动和光线差的情况下鲁棒性较差;惯性定位不受光线的影响,但这种方法的误差会随着时间的累积而增加,尤其在采用低成本惯性器件时,这种偏差会更大。将这两种信息融合,采用视觉惯性组合导航的方法来提高移动机器人定位精度和可靠性已经成为目前机器人定位的研究热点。基于此方案,本文具体研究内容如下:首先,对相机和IMU的畸变、噪声来源进行了分析,同时建立了相机、IMU相关坐标系,为系统搭建提供了理论基础。其次,分析了视觉特征提取与跟踪算法,采用梯度金字塔对传统LK光流法进行了改进,之后对跟踪过程中存在的误匹配问题进行了分析,通过对极几何约束和RANSAC算法分别对双目相机左右匹配跟踪和前后运动匹配跟踪进行了误匹配的剔除,提高了后续系统观测模型的精确性。再次,考虑到传统EKF滤波框架的缺点,提出了一种基于多状态约束的扩展卡尔曼滤波框架,首先通过滑动窗口法对观测模型进行了改进,提高了观测模型的精度,之后通过边缘化特征点位置误差使得改进后的观测模型适用于滤波框架。以此提高了系统的定位精度和鲁棒性。最后,论文通过公开基准数据集对所构建的视觉惯性定位系统进行了实验测试和精度分析,验证了本文所提出的定位系统方案的有效性。论文还从多个方面分析了系统的误差分布,并与目前主流的优化框架VINS进行了对比。结果表明,所设计的视觉惯性定位系统在特征明显的情况下精度优于VINS方法,且计算量下降了330%,平均误差比为0.216%,绝对轨迹误差均值平均为0.225米,绝对轨迹误差的均方根误差平均为0.249米。在真实环境下的测试结果也表明本系统完全满足室内移动机器人的定位需求,具有良好的工程应用前景。