直接稀疏里程计(Direct Sparse Odometry,DSO)是直接法中一种相对新颖且精度较高的稀疏视觉里程计。DSO对基于最小化光度误差的概率模型中涉及到的参数,进行一致的联合优化,从而达到较快的处理速度与精度。作为一种直接SLAM技术,DSO在基于官方数据集的跟踪和半稠密建图中有较好的表现,但是在实际应用中,DSO需要提高对光照变化、光度条件以及模糊运动的处理能力。此外,DSO作为视觉里程计,在建图过程中并未进行回环检测,不能有效消除累计误差,其鲁棒性与精度仍有较大提升空间。基于以上问题分析,本文研究并实现了移动设备辅助的机器人高性能DSO系统(Mobile-Device Assisted Direct Sparse Odometry,MADSO),该系统有效提高了机器人应用DSO建图的精度与鲁棒性。MADSO系统具备的创新点或优势有:为有效缓解DSO算法在实际应用过程中,初始化与位姿估计时漂移等问题,MADSO借助移动设备跟踪机器人Tag标志,为机器人位姿估计初始化与建图灵活地提供观测信息,有效提高了系统初始化与位姿估计的精度。为优化机器人在不同应用场景下位姿估计的误差,MADSO分析了移动设备追踪机器人常见的三种情况,设计并实现了移动设备在不同追踪效果下的解决方案。同时,为降低移动设备追踪丢失机器人与重追到踪机器人间产生的误差,本文提出并实现了平滑轨迹算法,该算法可有效提升机器人轨迹估计的精度。本文的主要贡献有:分析DSO算法优势与弊端,调研并对比提升DSO算法鲁棒性与精度的相关研究,总结现有方法存在的技术挑战。设计实验并验证DSO算法在实际应用中存在的尺度漂移等问题。统一移动设备与机器人坐标系,计算移动设备在系统坐标系下位姿,根据移动设备跟踪机器人得到的观测位姿与移动设备位姿,对机器人精确定位,辅助机器人完成初始化过程。借助动作捕捉系统采集机器人及移动设备真实运动轨迹,搭建实验验证平台,对比验证MADSO系统位姿估计的精度与鲁棒性。本文的实验验证部分根据动作捕捉系统采集的数据,与DSO、LDSO以及ORB-SLAM算法对比验证位姿估计性能。实验表明,在光照和光度条件变化的情况下,本文所提出的MADSO方法对机器人轨迹估计误差和三维建图精度有了较大的提高。