无人机通过携带视觉传感器和惯性测量单元(Inertial Measurement Unit,简称IMU)设备实现自身定位有着大量的应用需求,其中视觉信息能够估计IMU的偏置,并对其估计的轨迹漂移进行校正,反过来,惯性信息不仅能够在特征缺失条件下进行定位,还能恢复单目视觉缺失的尺度信息。因此本文搭建视觉惯性定位系统实现无人机自定位。主要研究内容如下:(1)针对视觉信息处理,分别采用基于特征点法和光流法建立相邻图像帧的数据关联。首先采用基于网格化的处理方式消除传统特征算子存在的特征冗余;然后针对特征点法的误匹配,本文提出采用双向交叉检验和两点抽样一致性组合的算法剔除误匹配,而对于光流法的误跟踪,本文提出采用归一化互相关匹配和传统抽样一致性组合的算法去除外点;最后通过设计实验验证本文算法在误匹配剔除上具有准确性和实时性。(2)针对IMU数据处理,为了避免非线性优化时初值更新而导致IMU数据重积分问题,采用预积分技术对IMU数据进行预处理。首先建立包含噪声和偏置的IMU运动学模型,然后推导预积分过程中误差量传播,最后给出噪声和偏置处理方法,实现IMU预积分。(3)针对系统初始化,通过联立视觉信息,估计系统初始参数。首先估计陀螺仪偏置,然后进行尺度因子、速度以及重力粗估计,最后通过修正重力方向对尺度因子和重力进行精确估计完成初始化。(4)针对视觉信息和惯性信息融合处理,采用基于滑动窗口的紧耦合非线性优化模型框架。首先给出系统状态量的优化方法并推导优化过程中残差项及其雅克比矩阵的计算,然后边缘化旧帧信息来保证定位轨迹的连续一致性,最后将优化的位置信息通过UDP发送给地面控制系统。(5)为了对本文的视觉惯性定位系统进行验证,分别在公开数据集和实际场景下进行测试。首先在数据集上验证了系统的可行性,然后在实际场景中分别在室内环境和室外环境进行多种轨迹实验,在室内场景下定位误差不超过1.5%,在室外与GPS轨迹对比平均误差不超过1m,验证了本文系统的有效性和鲁棒性。