本文提出了一种基于IMU（Inertial Measurement Unit）和轮速计紧耦合的全景SLAM（simultaneous localization and mapping）系统,能够实现鲁棒高精度定位,可以用于地面移动测量系统（Mobile Mapping System,MMS）,地面移动机器人与自动驾驶中。由于IMU与视觉天然的互补性,视觉惯性里程计（visual-inertial odometry,VIO）的研究变得非常重要,而结合全景视觉则能更加有效的发挥视觉的优点。一般VIO具有三个平移和一个偏航角总共四个自由度的不可观,然而一旦VIO系统的载体为地面移动平台时,会由于匀加速运动带来额外的尺度不可观或者出现无旋转运动时引起额外俯仰角和翻滚角的不可观。而引入轮速计传感器则能有效解决这一问题。本文提出的SLAM系统由以下四部分构成:1)测量数据预处理;2)系统初始化;3)跟踪;4)局部地图构建。系统核心是通过全景视觉,IMU,轮速计联合平差,对系统状态,包括旋转平移速度,IMU偏置以及局部地图点进行优化,实现高精度的定位,并通过多传感器融合互补实现复杂场景下的鲁棒高精度定位。在测量数据预处理模块,本文推导了基于双轮差速模型的轮速计预积分形式,将两帧之间的多个轮速计测量值合并为一个相对运动约束。系统初始化分为两个步骤:1)对视觉的尺度,IMU参数进行初始化;2)执行联合平差融合全景视觉,IMU,轮速计测量值,并进一步对初始化参数进行优化。本文提出的全景-IMU-轮速计SLAM系统（panoramic camera-IMU-wheel SLAM,PIW-SLAM）通过多传感器融合能够实现在具有挑战性场景下的鲁棒高精度定位。我们在NCLT数据集（University of Michigan North Campus Long-Term Vision and Li DAR Dataset）的七个不同的具有挑战性的数据序列上验证了本文系统的性能。结果表明,与其他算法相对比,本文PIW-SLAM系统具有较高的定位精度,在各种复杂环境下具有较强的鲁棒性。我们也验证了本文所提出的初始化算法得到的尺度的准确性。此外,我们还通过人工采样的方法验证了所提出的PIWSLAM系统在地面运动测量系统宽基线场景下仍具有较好的效果。