视觉惯性同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）方法已广泛用在机器人和无人机的定位中,但是将其应用在车辆平台时,惯性测量单元（Inertial Measurement Unit,IMU）会缺少加速度激励,严重影响定位精度。为了解决因车辆平面运动造成初始化尺度估计不准确等问题,提高无人驾驶车辆的定位精度,本文针对无人车平台,充分利用其传感器设备,采用多传感器融合的方法,开展了无人驾驶车辆定位研究,提出将轮速传感器、单目相机、惯性测量单元等多传感器融合的SLAM算法。本文的主要研究内容如下:（1）概述国内外SLAM技术的研究现状与发展动态,分析了视觉惯性SLAM应用于车辆平台存在的问题,阐述本文融合轮速的视觉惯性SLAM研究的意义。（2）研究了SLAM定位理论与优化方法。针对SLAM系统分析了相关基础理论,通过四种表达方式分析物体在三维空间中的运动,研究SLAM问题的建模过程并针对其求解过程分析相关的优化方法。（3）提出了融合轮速的视觉惯性里程计。分析系统所使用的传感器,建立了相机模型、IMU测量模型以及轮式里程计测量模型。基于传感器模型详细分析了相应的误差来源,并研究了内外参与误差系数的标定方法,进行了标定实验。针对目前视觉惯性SLAM应用在车辆平台上存在的问题,提出了融合轮速的视觉惯性里程计（Wheel-speed Visual Inertial Odometry,WVIO）。对于WVIO的前端通过Shi-Tomasi算法提取强角点,并采用图像金字塔LK光流进行特征跟踪。基于轮速和IMU数据构建了轮速-IMU预积分,通过中值积分推导了离散时间下的误差状态方程。使用视觉初始化和联合初始化的方法,通过轮速-IMU预积分约束完成尺度因子、速度等量的初始化。对于系统的后端优化部分,分析目标函数的各组成成分,使用滑动窗口进行轮速、视觉、惯性的非线性优化,求解最优的状态估计。（4）搭建了无人车多传感器数据采集与验证平台。基于华为智选赛力斯SF5和传感器设备搭建了无人车传感器平台,通过ROS实现了相机、毫米波雷达、轮速传感器、IMU等传感器的数据采集。分别进行了KAIST数据集实验与实车实验,验证了本文算法的精度。其中一组数据显示:在汽车行驶690 m的距离中,本文所提出算法的平均误差为0.986 m,RMSE为1.153 m。通过多次实验验证,本文所提出的算法与VINS-Mono相比有着更准确的定位结果。