位姿估计技术一直是智能移动机器人领域的研究热点,同时也是同步定位与地图构建（Simultaneous Localizationand Mapping,SLAM）技术的基础。近年来,位姿估计技术得到了深入的研究并取得了丰硕成果,为移动机器人建图、避障、导航提供诸多优秀的解决方案。但是,目前绝大多数位姿估计方法都是针对于“常规场景”,这些方法很难应对现实中的一些极端“挑战性”场景,如低纹理场景、高速高动态场景等,限制了机器人的使用场景。因此,本文针对日常生活中常见的“挑战性场景”开展了鲁棒精确的位姿估计技术研究,具体研究工作主要包含以下三个部分内容:（1）针对移动机器人在视觉退化场景下的位姿估计问题,本文提出了一种实时、鲁棒、低漂移的深度视觉的SLAM方法。该算法主要由3个优化层组成,基于深度流的视觉里程计层、基于ICP（迭代最近点）的位姿优化层和基于位姿图的优化层。基于深度流的视觉里程计层通过建立深度变化约束方程实现相机帧间快速的6自由度位姿估计;基于ICP的位姿优化层通过构建局部地图来消除局部漂移;基于位姿图的优化层从深度信息中提取、匹配稀疏几何特征,从而建立闭环约束并通过位姿图来实现全局位姿优化。对本文所提出的算法分别在TUM数据集和实际场景中进行了性能测试.实验结果表明本文的前端算法的性能在挑战性环境中优于当前深度视觉主流算法,后端算法可以较为鲁棒地建立闭环约束并消除前端位姿估计所产生的全局漂移。（2）针对当前移动机器人环境感知过程中往往只建立该环境的几何地图和纹理地图,本文提出了一种基于多模态图像的位姿估计方法,该方法不仅可以重构环境中的几何信息、纹理信息,同时还可以重构环境中“不可见”的温度场信息。该方法将大大提高移动机器人的环境感知能力,特别是在黑暗、烟雾等挑战性环境。本文首先对红外相机与RGB-D相机的进行时空和内外参标定,然后融合红外信息构建RGB-DT图像对,最后通过depth-ICP与RGB-DT视觉里程计相结合方法实现基于RGB-DT图像的位姿估计和场景重建。实际实验结果表明,该系统可实现大场景实时多维地图重建,有效提高系统在常规视觉退化环境中的位姿估计的鲁棒性。（3）针对无人驾驶汽车在高速场景所面临的“高动态”、“高速”等挑战性场景,本文提出一种基于误差状态的卡尔曼滤波方法实现激光与IMU融合,该方法不仅可以实现几何退化场景下的位姿估计同时还可以克服“高动态”物体对激光观测所带来的干扰。该算法主要由2部分组成,首先通过激光与IMU之间的外参标定从而对每一个激光点进行运动补偿;其次,通过建立基于误差状态的卡尔曼滤波方程从而实现激光与IMU之间的数据融合。实验结果表明本文所提出的激光与IMU融合方法可以有效在“高速高动态场景下”实现鲁棒位姿估计。最后,对全文进行总结,并对今后进一步研究方向进行了展望。