当前,具有自主导航功能的无人机和移动机器人等无人系统逐渐被应用于各个领域。在众多的关键技术中,同时定位与地图创建(Simultaneous Localization And Mapping,SLAM)是实现无人系统自主导航功能的基础和核心。视觉SLAM通过视觉传感器捕获的图像序列在未知环境中估计无人系统的位姿并建立环境地图。然而现有的视觉SLAM方法存在鲁棒性较差,适用场景有限等问题,在无人系统快速移动、环境特征稀疏等情况下定位精度较低,难以满足无人系统自主导航功能的需求。针对上述问题,本文开展基于视觉与惯性信息融合的无人系统SLAM方法研究,以提高无人系统定位的精度和鲁棒性。本文主要研究内容与创新如下:(1)针对现有视觉SLAM方法在剔除误匹配点时存在的迭代次数不稳定、效率低等问题,本文提出了基于渐进采样一致性(Progressive Sampling Consensus,PROSAC)算法剔除误匹配点的视觉SLAM方法。首先,对图像序列提取ORB特征,并进行特征匹配;其次,利用PROSAC算法对特征点的匹配质量进行排序,选取质量较高的点估计数据模型,并以此剔除模型外的异常点,保留匹配正确的特征点对;然后,根据剔除误匹配点后的结果估计无人系统的位姿,实现定位功能,同时更新环境地图。最后,通过回环检测消除累计误差。实验结果表明,PROSAC算法可以显著提高算法运算效率,为后续视觉与惯性信息的融合提供时间基础。(2)针对纯视觉SLAM方法在快速运动、环境特征稀疏等场合定位精度低、鲁棒性较差的问题,本文提出了基于视觉与惯性信息融合的SLAM方法。首先,对相邻两关键帧之间的IMU信息进行预积分,为后续的视觉惯导融合提供IMU约束。特别地,为了提高预积分阶段的精度,本文利用四阶龙格库塔算法代替欧拉积分法迭代计算下一时刻的预积分值。然后,将IMU预积分测量值作为当前帧时刻系统状态的初始值,通过联合视觉重投影误差项和IMU预积分误差项优化无人系统的位姿、速度等状态量,并恢复地图点的三维坐标。最后,在局部地图中设置滑动窗口,对滑动窗口内的系统状态和地图点位置进行进一步优化。(3)在EuRoC数据集上验证本文视觉与惯性信息融合SLAM方法的精度和鲁棒性。实验结果表明,相比于纯视觉SALM方法以及现有的视觉与惯性信息融合SLAM方法,本文方法具有更高的定位精度。此外,无人系统在快速移动、环境特征缺失等场合的鲁棒性也有一定提高。