基于多传感器融合的视觉里程计技术是定位导航领域的一个重要研究方向，在无人机、机器人、增强现实和自动驾驶等场景中有广泛的应用。由于不同的传感器在局部精度、累积误差、适应场景等方面各有优势，因此如何根据多传感器各自的特点进行有效地融合，从而在复杂场景中获得更加准确的定位结果，是视觉里程计研究中的一个具有挑战性的问题。本文主要针对相机、惯性测量单元（Inertial Measurement Unit, IMU)、轮子编码器和全球导航卫星系统（Global Navigation Satellite System, GNSS)等传感器开展深入地研究，并取得了如下研究成果：

  1、针对移动设备中相机和IMU的计时系统之间存在时间偏差导致的精度下降问题，提出了一种在线标定相机和IMU之间的时间偏差的视觉惯性里程计。使用一个待估计的时间偏差参数表示相机和IMU计时系统之间的时间差，并把对IMU预积分结果的修正量用时间偏差参数和IMU量测值表示出来，再把所述修正量添加在IMU预积分结果上，在实时估计出传感器的位姿、速度等物理量的同时估计出时间偏差参数，从而实现在线时间标定。实验结果表明，本文方法对时间偏差参数的估计更加准确，并且收敛速度更快。

  2、针对视觉惯性里程计在车辆导航应用场景下常见的在特殊运动下尺度不可观测的问题，提出了一种使用鲁棒初始化和在线外参数标定的紧耦合轮子编码器的视觉惯性里程计。首先，使用全部IMU量测值和轮子编码器量测值进行IMU-轮子编码器联合预积分，以使在后续的4自由度优化时对尺度的估计更加准确。然后，利用轮子编码器量测值计算重力方向，并计算相机位姿在真实尺度下的初值。最后，采用一种计算高效且鲁棒的传感器外参数在线标定方法，该方法固定IMU和轮子编码器之间的旋转外参数的线性化点，并且根据加速度计偏移估计值的收敛情况决定是否开始执行。实验结果证明了所提出的初始化方法的鲁棒性和得到的整体轨迹的精确性，以及在线外参数标定方法可以有效提高整体轨迹的精度。

  3、针对融合轮子编码器的视觉惯性里程计在车辆导航应用场景下常见的在特殊运动下俯仰角、侧滚角和部分外参数不可观测的问题，提出了一种使用双向轨迹计算的融合轮子编码器的视觉惯性里程计。首先，进行了可观性分析，分析了在紧耦合轮子编码器的情况下，在第一个拐弯之前加速度计偏移仍然不完全可观，以及外参数不完全可观的问题。然后，提出了一种双向轨迹计算的方法，使得第一个拐弯之前的位姿在反向计算线程中得以进一步优化，并且实时轨迹也对应地调整。实验结果表明，本文方法不仅解决了第一个拐弯之前加速度计偏移和外参数不可观的问题，而且与当前最先进的融合轮子编码器的视觉惯性里程计相比可以得到更精确的轨迹。

  4、针对室外大场景下视觉惯性里程计的误差累积问题，提出了一种基于优化的紧耦合原始GNSS量测值的视觉惯性里程计。与已有的松耦合方法和基于扩展卡尔曼滤波（Extended Kalman Filter, EKF）的方法不同，本文首次提出了一种基于优化的紧耦合包括伪距和多普勒频移在内的GNSS原始测量值的视觉惯性里程计。重投影误差、IMU预积分误差和原始GNSS量测值误差在滑动窗口中通过捆绑调整进行最小化。在优化过程中考虑了图像和原始GNSS量测值的不同时性，在滑动窗口中使用了边缘化操作，并采用了一些剔除不准确的GNSS量测值的方法。在包含复杂城市场景的公共数据集上的实验结果表明，与最先进的视觉惯性里程计、GNSS单点定位以及松耦合GNSS的视觉惯性里程计相比，本文所提出的方法在GNSS信号较好或较差的场景下都有更好的定位效果。