视觉和视觉-惯性组合定位算法近年来广泛用于机器人、无人驾驶、AR、VR等领域。本文旨在实现双目视觉惯性里程计算法,主要工作如下:(1)梳理了现有主流视觉惯性里程计算法,分析其框架、特点,如影像追踪基于光流还是特征点描述子配准,状态估计基于滤波还是基于非线性优化,视觉、IMU测量耦合方法等;介绍了影响VIO性能的关键算法,如边缘化策略、可观性约束等。(2)系统总结了视觉追踪和惯导姿态递推等方面的理论基础,包括:IMU位姿递推,ORB特征点提取及描述,光流追踪等;对状态估计问题进行简要阐述,对滤波、非线性优化框架作以分析。(3)为了解决特征点法操作耗时,鲁棒性低,而光流法存在误差累积的问题,提出一种前端使用光流、特征点混合追踪,后端使用非线性优化的双目视觉里程计算法,算法优先使用光流进行追踪,在判定追踪失效及生成关键帧时,提取ORB特征点进行匹配和追踪,后端基于共视帧进行优化以减小追踪累积误差。(4)为了提高算法的鲁棒性,在双目视觉里程计的基础上,将IMU测量和视觉观测耦合,参考MSCKF算法的状态估计思想,实现了基于间接卡尔曼滤波(indirect kalman filter)的双目视觉惯性里程计算法。算法视觉追踪前端通过提取每帧影像的ORB特征点及描述子进行配准来实现追踪;在影像帧间使用IMU测量进行位姿更新,状态转移;使用IMU测量值预测特征点投影位置,加速特征点匹配;在状态估计后端实现相机状态增广、视觉测量更新、滑动窗口边缘化等操作;为了验证算法效果,使用公开数据集等对两种算法的定位精度、效率等进行定量统计。实验表明,双目视觉里程计定位精度有所下降,但计算效率有了较大提高;双目视觉惯性里程计有较大的提升空间。