机器人感知作为当前主流的自动驾驶技术的一项重要组成部分,其依据的核心为同步定位与地图构建(SLAM),其中单目视觉SLAM则是研究的热点之一且应用广泛。然而单目视觉SLAM皆存在尺度不确定性问题,其中单目视觉里程计DSO因尺度不确定,在解算位姿时累积的误差会造成前后位姿尺度信息不一致,从而无法进行高精度的位姿估计。针对这一问题,本文提出了视觉DSO与IMU惯性传感器相融合的视觉惯性里程计,从前端与后端两部分完成对位姿的高精度解算。在前端初始位姿估计中,提出了去畸变帧间位姿估计算法,于帧间匹配过程加入畸变参数并构建光度误差函数求解视觉初始位姿;在后端位姿优化中,提出了全局状态变量的构造规则,建立多参数优化标准以减少各变量的误差累积;提出了基于紧耦合的多参数滑窗位姿优化算法,设计尺度因子,使视觉与惯性的位姿信息保持尺度一致性;选取特定帧对应的先验信息,构建关于先验信息、视觉信息与惯性信息的整体优化目标函数;通过上述研究对构建的目标函数进行优化求解,得到全局状态变量的更新值,对全局状态变量进行迭代更新以减少后续误差的累积,实现系统位姿解算的高精度以及运动过程的鲁棒性。本文的主要工作如下:1.针对图像帧间像素点投影匹配过程受图像畸变的影响导致投影点位置存在偏差的问题,在前端对位姿初始估计中,提出了去畸变帧间位姿估计算法。对图像帧间的匹配过程加入畸变参数构建视觉光度误差函数求解视觉初始位姿;同时对IMU模块一定时间间隔内的采样值预积分。畸变参数的加入使得像素点投影位置更加精确,匹配效果更好,对位姿的优化求解精度变高,惯性信息的预积分则避免了IMU高采样率带来的视觉帧优化状态频变造成的重复积分现象。2.针对前端的视觉光度误差函数和IMU预积分中各参数精确度影响后端位姿解算精度的问题,提出了全局状态变量构造规则。其中,全局状态变量的选取原则如下:IMU预积分项,IMU偏差项;视觉光度误差函数涵盖的几何元素,畸变变量;尺度因子,地图点的逆深度。全局状态变量的确立能够明确后端位姿优化中需要求解的各变量信息,减少各变量的误差累积从而提高位姿解算精度。在实验数据上与未融合IMU前VO系统的平移变量的漂移量及尺度漂移量相比,具有更小的漂移量并且精度进一步提高,证明本算法对各变量的优化更加高精度并且可以为下一帧的优化提供更好的初始姿态。3.在后端视觉与惯性数据联合优化求解位姿过程中,针对单目相机的尺度不确定性导致位姿解算过程误差累积,前后位姿尺度不一致问题,提出了基于紧耦合的多参数滑窗位姿优化算法。首先根据前端视觉初始位姿选取关键帧,构建帧间视觉光度误差项,并对关键帧对应时刻内的IMU采样值预积分,构造惯性残差项;其次设计尺度因子,使视觉光度误差项与惯性残差项中的位姿信息保持尺度一致性;最后,选取特定帧对应的先验信息,构建关于先验信息与视觉光度误差项、惯性残差项的整体优化目标函数;利用目标函数对全局状态变量进行优化求解,得到全局状态变量的更新值,对全局状态变量进行迭代更新获得当前时刻下高精度位姿信息。实验结果证明,本算法与未融合IMU前VO系统的实验数据进行APE和RPE比较,能够获得高精度的位姿解算结果。通过上述所述工作内容展示了本文提出的单目DSO和IMU传感器相融合的视觉惯性里程计。对本视觉惯性里程计实验数据与融合IMU前VO系统以及当前主流视觉惯性方法进行精度上的对比分析表明,本文在融合IMU之后具有高精度的位姿解算结果。