随着国民经济和现代科学信息技术的进步发展,移动式机器人越来越广泛地应用于我们的日常生活,甚至国家战略领域,对人类社会具有重要意义。能够在未知环境下精确定位决定了移动机器人能否成功地进行自主导航和完成各种任务。因此,本文以双目惯性视觉传感器在复杂环境下移动机器人自主定位为研究背景,研究了基于双目惯性视觉里程计的室内定位技术,为在复杂环境中进行工作的机器人提供精确的定位信息。本文的主要研究内容和创新点如下:1.本文提出了一种基于相似结构性约束和自适应调整策略的双目视觉里程计算法。为了提高特征点匹配的准确率以及提升匹配速度,本文利用特征点对的相似结构性约束对传统的RANSAC算法进行改进,提升匹配准确率以及提高匹配效率;为了在被跟踪的特征点的数量和质量之间保持一个良好的平衡并提升位姿估计的精度,提出一种自适应调整策略,通过跟踪特征的存活率动态调整特征匹配的质量控制阈值。为了降低闭环检测出现假闭环的可能性,本文提出了基于混合相似度的闭环检测方法。最后利用KITTI数据集对本文算法进行了仿真实验,并与经典的ORB-SLAM2算法进行了对比,结果表明定位精度平均提升了21%,满足实时定位的要求。2.本文提出了一种基于改进FLD的点线特征的双目惯性视觉里程计算法。为了提高线特征的平均提取速度,本文采用FLD算法取代传统的LSD算法。针对FLD算法面对复杂场景时,容易提取到短线特征的缺陷设计了线特征约束剔除准则,保留了相对质量较高的长线特征,提高了提取算法的快速性,平均提取时间比LSD减少约62.8%。为了进一步提高线特征的提取质量,本文将距离较近的线特征进行合并,避免在某些边缘区域检测到大量相似的线段,从而可以降低线特征匹配环节的复杂性。针对现有基于点特征的视觉惯性里程计系统在昏暗、弱纹理等复杂化环境下点特征不易提取且容易丢失的问题,本文将点线特征结合IMU预积分技术、图优化等手段,设计了一套较为完善的基于点线双特征的双目视觉惯性里程计算法。同时,通过滑动窗口优化降低算法的计算复杂度,在保证算法精度的同时,使得算法实时运行。最后通过Euroc数据集仿真实验并和多种开源算法对比分析RMSE结果,表明了本文算法的有效性。3.在多传感器融合的平台上进行了实际环境下的样机实验,验证本文设计的视觉惯性组合定位系统能够在复杂未知的环境下为移动机器人提供较为准确的位姿信息。在实验中,分别测试了理想环境下,有光照变化、弱纹理环境下视觉惯性组合系统的运行结果。实验结果表明本文设计的系统在以上复杂环境下能够提供一个相对稳定的、具有较高精度的位姿信息。