近年来，自动驾驶引起了社会的广泛关注。定位技术在自动驾驶领域发挥着重要作用，是智能车安全行驶不可或缺的核心技术之一。现有智能车通过卫星导航系统实现定位，但是在高楼林立的城市环境中，卫星信号差、长时间丢失等情况容易导致定位精度差、定位失败等问题。因此，实现智能车在无卫星信号场景下的精确定位具有重要的理论意义和应用价值。基于视觉SLAM与惯导定位技术的互补性，本文针对城市交通环境中的智能车定位问题展开双目视觉与惯导融合的相关研究，实现应用于智能车平台上的高精度、低成本、实时的组合定位算法。本文的主要工作和创新性成果包括：

（1）惯导定位算法研究。本文基于惯导定位原理和IMU模型，研究了IMU状态传播和IMU预积分方法。在离散化传播IMU状态时，分别采用欧拉法、中值法和四阶龙格库塔法进行航位推算。通过实验比较三种数值积分方法对IMU状态传播的影响，为后续的算法研究提供了基础。

（2）双目视觉定位算法研究。在实际场景中，由于存在光照变化、动态物体和快速自运动，KLT光流跟踪往往会陷入局部极小值，从而导致定位精度下降。针对该问题，本文提出了一种融合多种约束的轻量自适应光流跟踪方法。该方法设计了轻量双向环形检验，并结合视差约束进行外点剔除。此外，为了平衡特征点的数量和质量，该方法设计了自适应特征选择策略。实验结果表明，提出的方法能够有效去除外点，改善光流跟踪，从而提高算法的位姿估计精度和计算效率。

（3）双目视觉与惯导融合定位算法研究。双目视觉惯性SLAM通过融合视觉数据和惯性数据来提升定位性能，但是增加了计算负担。为提高双目视觉惯性SLAM的精度和计算效率，需要建立可靠的特征关联，优化算法结构并结合一定的加速手段。本文采用提出的轻量自适应光流跟踪方法进行外点剔除，以提高位姿估计精度。此外，本文基于视觉惯性边缘化过程中矩阵的稀疏性，设计了二步边缘化策略。该策略通过改进矩阵构建结构和舒尔补计算方法，实现快速边缘化，从而提高算法的计算效率。实验结果表明，本文方法能够有效提升位姿估计精度，且计算效率提高了32%。

最后，基于以上研究和方法，本文实现了基于双目视觉与惯导融合的智能车定位应用，通过落地试验验证了算法的可行性。