得益于科技的日益创新与进步,人们愈发愈能感受到智能机器人给生活带来的便利。实时定位与地图构建（SLAM）作为机器人导航功能的基石,在移动机器人、无人驾驶领域扮演了重要角色。在过去的20年里,使用单传感器在具有挑战性的环境中进行实时状态估计取得了杰出的成果,然而单一传感器天然存在局限性,难以适应复杂多变的环境,例如视觉传感器对光照变化敏感、激光传感器在无结构特征的环境中会退化。本文以乘用车平台为载体,融合单目相机、多线激光雷达、惯性测量单元（IMU）的优点,提出了一种视觉激光惯性紧耦合的SLAM框架——CIL-SLAM,实现了实时的状态估计和地图构建,具有较高的精度和鲁棒性。以下四点是本文的主要研究内容:1.对视觉和激光传感器原始测量提取特征。在人造环境中,存在丰富的线特征,对视觉而言,本文同时提取2D点、线特征,并分别使用LK光流、LBD描述子匹配进行帧间视觉数据关联。对激光而言,首先使用高频IMU辅助去除运动畸变,对原始点云进行地面分割后,对非地面点云进行基于局部表面特征的几何特征点提取。2.进行2D视觉特征与激光点云间的数据关联。本文以精准的激光3D测量直接补全视觉特征的深度信息。利用局部点云地图,对视觉点特征,直接补全其在相机坐标系下的深度,对视觉线特征,则恢复出其在相机坐标系下的普吕克坐标。3.以因子图为后端构造视觉激光惯性紧耦合里程计。本文采用IMU预积分技术处理高频IMU测量,以此将惯性约束添加到因子图中。同时以光束平差法最小化3D特征点、线的重投影误差,构造关键帧间的视觉约束。激光则采用考虑激光点距离、类别、方向、反射光强的多度量线性最小二乘ICP点云配准方法,在当前帧和局部地图间构建激光约束。IMU预积分约束、视觉约束、激光约束添加完毕后,因子图采用i SAM2算法执行增量平滑式更新。4.构建基于里程计几何关系和视觉外观融合的回环检测模块。本文使用历史关键帧位置识别近邻闭环,使用视觉词袋模型识别视觉闭环,当前帧与回环帧的约束则是通过点云配准方法添加到因子图中的。同时本文采用多种验证策略防止假阳性回环约束添加到因子图中。