视觉同时定位与地图构建 (Visual Simultaneous Localization and Mapping, VSLAM) 是近年来自主无人系统领域的研究热点，但单目 SLAM 在实际应用中不能提供绝对尺度的定位信息，且在快速运动、纹理较少或光照快速变化的场景中容易定位失败。因此，探索多传感器和视觉之间的信息融合方式以实现鲁棒而高精度的定位具有重要的研究意义和实用价值。本文在考虑各传感器特点，以及图像特征点和特征直线等纹理信息的基础上，开展了基于多传感器信息融合的视觉 SLAM 方法研究。论文的主要工作可总结如下：

     第一，针对单目 SLAM 无法估计绝对尺度和在弱纹理区域定位精度较低的问题，提出了一种基于直线特征结构化约束的双目~SLAM~系统，通过融合双目图像中的直线信息来解决弱纹理区域的鲁棒定位问题。首先，针对双目直线 SLAM 系统中存在的匹配速度慢的问题提出了基于直线相交点的快速匹配方法，极大地提升了直线匹配的速度。其次，针对人造环境中存在的大量平行直线，构建了一个基于平行直线约束的误差函数用于提升直线 SLAM 系统的定位精度。最后，在此基础上，搭建了基于直线特征的双目 SLAM 系统，并在 {\em it3f} 数据集上和众多开源算法进行了对比实验，所提方法获得了比其他方法精度更高的定位结果。

     第二，针对单目 SLAM 无法估计绝对尺度和相机快速运动下鲁棒性不高的问题，提出了一种基于深度信息辅助的 RGBD 视觉 SLAM 方法。首先，针对 RGBD 深度传感器的噪声特性，对深度传感器噪声如何影响基于直接法的视觉 SLAM 问题进行了研究，推导了深度噪声对光度误差函数不确定度的影响。以此为基础，分析出图像中靠近物体边缘的像素由于深度不确定大而对误差函数的影响会较大的结论，从而提出了基于边缘抑制的改进型 DVO (Dense Visual Odometry) 算法。在 TUM RGBD 数据集上对算法进行了评估，获得了比原 DVO 算法更精确的定位结果，验证了算法的有效性。

    第三，针对快速运动及光照变化环境下单目 SLAM 系统鲁棒性不高，以及点特征地图几何结构信息不丰富的问题，提出了一种基于滑动窗口图优化技术的紧耦合视觉惯导定位和建图方法。通过充分利用图像中的纹理信息，联合优化特征点和特征直线的重投影误差以及 IMU 预积分误差来获得系统轨迹和地图的最优估计。该方法是已知范围内的第一个图优化框架下融合点和直线特征的视觉惯导系统。在多个公开数据集上对该算法进行了评测，结果表明提出的融合点和直线特征的视觉惯导定位系统获得了比当前开源的其他方法更高的定位精度，验证了算法的有效性。

    第四，提出了一种融合机器人里程计信息和单目视觉信息的定位方法，用于解决基于单目系统的室内移动机器人鲁棒定位问题。首先，利用里程计和相机之间的刚体约束，构建了基于里程计信息的虚拟视觉测量用于约束不同时刻相机间的相对运动，并依据里程计测量模型推导了虚拟视觉测量的协方差矩阵。在此基础上，构建了一个用于标定相机和里程计外参数矩阵以及用于融合两传感器信息进行定位的因子图模型。最后，分别用仿真数据和机器人硬件平台对所述算法进行了验证，实验结果表明融合里程计信息的单目定位系统能提升单目视觉定位算法的精度及鲁棒性。

    最后对论文中的工作进行了总结，并讨论了可在其基础上进行的拓展工作。