无论是无人车、无人机还是无人水下潜器,其准确的自主定位是其实现自主导航的重要前提。传统的导航方式有应用于室外的卫星导航,应用于室内的激光雷达和应用于水下的水声导航等等,然而这些导航方式针对海陆空领域并不能统一适用。IMU和视觉传感器的组合成本低、紧凑互补,是一种通用的方案。它们的互补性主要体现在:(1)对惯性测量单元(Inertial Measurem Unit,IMU)测量的带有噪声的角速度和加速度信息积分两次,会使得噪声在长时间放大后得到的位姿是发散的。相反短时间内IMU的估计比较精确,而短时间内相机在运动时会出现运动模糊,这正是视觉传感器的弱点;(2)相比于IMU,相机数据不会发生漂移,那么相机数据可以有效的估计并修正IMU的漂移。本文提出一种低成本高精度的自主导航系统——惯性视觉里程计(Visual Inertial Odometry,VIO),该系统使用无迹卡尔曼滤波(Unsented Kalman Filter,UKF)框架实现惯性视觉信息的紧耦合组合,在利用视觉信息时无需计算特征点的深度信息,直接利用连续三帧图像的二维特征像素点构建三维空间的几何约束关系来作为观测方程。下面是本文的主要工作:(1)比较了三子样补偿法和龙格库塔法对姿态解算的效果。惯导解算的位姿的精度由姿态算法决定。在系统存在噪声干扰的情况下,通过MATLAB仿真比较了这两种算法对姿态解算的精度,由此验证了圆锥运动情况下,四阶龙格库塔法拥有更好的抗干扰性。(2)对对极几何和三焦点张量的约束方程进行了简要推导,并基于此建立VIO系统的观测方程。在计算机视觉几何中,对极几何约束反映了双视图之间内在几何关系,本文从几何角度进行了推导;三焦点张量则反映了三张视图之间的内在关系,本文将从代数角度推导三视图间的这种内在的几何关系。(3)针对VIO系统提出了一种结合随机采样一致性(RANSAC)和无迹卡尔曼滤波(UKF)的RUKF非线性滤波算法。该算法实现了IMU和单目视觉的紧耦合,并对匹配的特征点实现了二次提纯,并由提纯后的匹配点和IMU数据融合输出高精度的位姿信息。本文首先通过仿真验证了UKF滤波算法相比EKF滤波的优越性,然后利用本文提出的RUKF算法在KITTI跑车数据集对本文提出的VIO状态空间模型进行了验证,其结果显示了本文提出的VIO系统的可行性,并与当前比较主流的VIO算法进行了分分析和对比。