Les caractéristiques de surface en tant que caractéristique géométrique de haut niveau sont largement présentes dans les environnements structurés et sont un bon complément pour la plupart des systèmes de localisation et de cartographie simultanées (SLAM). Pour résoudre le problème de l'introduction de nouvelles erreurs lors de la fusion des points caractéristiques avec les caractéristiques de surface et la possibilité de dégradation des surfaces, cet article propose un système SLAM visuel-inertielle intégrant des caractéristiques hétérogènes. Tout d'abord, les points caractéristiques sont extraits de l'image en niveaux de gris. Ensuite, un groupe de points caractéristiques est dessiné et les résultats de la triangulation sont convertis dans le système de coordonnées mondial. Ensuite, la modélisation de l'initialisation est décrite comme un problème d'optimisation contraint et résolu de manière distribuée par la méthode des multiplicateurs de Lagrange. Ensuite, les surfaces similaires sont regroupées et la surface est ajustée à l'aide du modèle de probabilité de collision de surface proposé, obtenant les paramètres de surface limitée correspondants. Enfin, les contraintes géométriques des caractéristiques de surface sont introduites dans le graphe des facteurs et optimisent simultanément le mouvement de la caméra et les paramètres de surface dans le modèle d'erreur. Par rapport au système VINS classique de SLAM visuel-inertielle, le système proposé dans cet article réduit de 50% la valeur moyenne de l'erreur de trajectoire absolue dans l'ensemble de données EuRoC; réduit de 40% la valeur moyenne de l'erreur de trajectoire absolue dans l'ensemble de données TUM-Ⅵ. Cette méthode peut fonctionner de manière stable et continue dans des scènes structurées et améliore la précision et la robustesse du positionnement dans les zones à faible texture.

Simultaneous Localization and Mapping（SLAM）;visual inertia;distributed solving;bounded plane extraction;nonlinear optimization