近年来,视觉惯性里程计已成为的移动机器人自主导航与定位的重要研究内容,视觉信息和惯性信息具有高互补性,惯性信息能在相机出现快速运动或环境纹理低的情况下定位,而视觉信息能辅助惯性信息校正其本身漂移的影响。因此相机与惯性元件的融合大大提高了里程计定位的鲁棒性。然而,因视觉信息与惯性信息各有其局限性,且在优化位姿时两者相辅相成,当遭遇在有挑战的环境,如长时间低光照等情况进行定位时,准确率及鲁棒性都需要进一步待改善。对此,本文设计了两种视觉惯性里程计系统,并结合实时定位与地图构建(Simultaneous Localization and Mapping,SLAM)整体框架基于公共数据集及实际室内场景验证了方法的有效性本文首先介绍了相机模型、三维空间刚体运动等必要的基础理论知识。对于IMU的测量数据处理,我们统一采用预积分算法,以避免初始值的改变造成重复积分,增加计算消耗,这部分我们充分考虑了高斯白噪声、漂移对IMU预积分的影响,并构建IMU残差模型以供后续位姿优化。本文提出了边缘引导的视觉惯性里程计,该算法利用边缘来引导特征点的提取,以筛选鲁棒性较高特征点,摒弃一些区分度不高易造成误匹配的特征点,提高特征匹配率。且在非线性优化模型构建中结合了基于边缘引导特征点的重投影误差、基于边缘采样点的光度误差项以及IMU残差方程进行迭代优化。通过上述改进,能保证框架不因特征点提取不足而跟踪丢失,且定位准确率得到一定地提升。针对极低光照的环境下的定位的情况,本文提出了基于GAN(Generative Adversarial Network)网络的视觉惯性里程计,引入了CycleGAN(Cycle Generative Adversarial Network)网络,以实现低光照图像到正常光照图像的转换,且训练数据无需一一对应。同时,为了使该网络处理后的图像更好地适应连续定位的需求,保证图像序列在时间和空间上的连续性,本文在CycleGAN网络的基础上引入时序一致性损失函数。此外,在位姿估计中,本文创新性地结合了目前效果最为优良的的光流估计CNN网络——FlowNet2.0和传统的视觉惯性里程计框架,提高了算法在具有挑战环境下定位的鲁棒性和准确率。视觉惯性里程计位姿估计过程只用到了局部区域的特征关联,累积误差不可避免,而后端优化、回环检测过程能最大限度地降低累积误差,使系统以更高的准确率运行更长时间。因此本文在实验阶段以提出的视觉惯性里程计算法结合后端优化、回环检测过程构建了完整的SLAM系统框架。对于基于边缘引导的视觉惯性里程计的SLAM系统,本文基于EuRoc数据集进行了特征匹配准确率以及定位的实验,结果表明特征匹配准确率平均提升了3.2%左右,位姿估计估计的准确率和鲁棒性相较当下最先进的算法均有提升。对于基于GAN网络的视觉惯性里程计的SLAM系统,我们采用了EuRoc公共数据集以及实验室移动机器人进行测试,为体现算法对低光照等有挑战的环境的适用性,我们特别测试了EuRoc数据集中四个最困难的图像序列。而在移动机器人的实际场景测试中选在教学楼大厅执行,并且环境保持极低光照,通过位姿估计误差以及轨迹与现有其他优秀的视觉惯性SLAM框架比较,验证了我们的改进的算法定位的准确性,以及对在弱光环境下工作的有效性和可靠性。