1.一种基于自适应鲁棒核的单目视觉惯性SLAM方法，其特征在于，包括：在单目初始化时对当前帧与参考帧进行初始特征匹配，并行计算单应矩阵和基础矩阵两个运动模型，并通过几何鲁棒信息含量选择单应矩阵或者基本矩阵，进行模型分解以及光束法平差BA优化；

在局部建图线程构建最小化重投影误差的成本函数，采用自适应鲁棒核应用于BA优化；

在回环检测线程利用自适应鲁棒核减少回环校正过程中的累积误差；

通过几何鲁棒信息含量的模型选择，表示为：

其中，G为几何鲁棒信息含量，k表示关键点序列号，L为稳健函数，e表示重投影误差，自适应鲁棒核的核函数ρ表示为：

其中，μ,ω,c为参数，常数c>0用于约束μ＝0附近二次损失区域规模。

2.根据权利要求1所述的基于自适应鲁棒核的单目视觉惯性SLAM方法，其特征在于，在局部建图线程，最小化重投影误差的成本函数，表示为：其中，R为旋转矩阵，t为平移向量，

3.根据权利要求1所述的基于自适应鲁棒核的单目视觉惯性SLAM方法，其特征在于，在回环检测线程，自适应鲁棒核函数应用于Sim(3)求解，表示为：其中，S

4.一种基于自适应鲁棒核的单目视觉惯性SLAM系统，其特征在于，包括：单目初始化模块，用于对当前帧与参考帧进行初始特征匹配，并行计算单应矩阵和基础矩阵两个运动模型，并通过几何鲁棒信息含量选择单应矩阵H或者基本矩阵F，进行模型分解以及光束法平差BA优化；

局部建图模块，用于构建最小化重投影误差的成本函数，采用自适应鲁棒核应用于BA优化；

以及，回环检测模块，用于利用自适应鲁棒核减少回环校正过程中的累积误差；

所述单目初始化模块中，通过几何鲁棒信息含量的模型选择，表示为：其中，G为几何鲁棒信息含量，k表示关键点序列号，L为稳健函数，e表示重投影误差，自适应鲁棒核的核函数ρ表示为：

其中，μ,ω,c为参数，常数c>0用于约束μ＝0附近二次损失区域规模。

5.根据权利要求4所述的基于自适应鲁棒核的单目视觉惯性SLAM系统，其特征在于，所述局部建图模块中，最小化重投影误差的成本函数，表示为：其中，R为旋转矩阵，t为平移向量，

所述回环检测模块中，自适应鲁棒核函数应用于Sim(3)求解，表示为：其中，S

6.一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-3任一项所述的基于自适应鲁棒核的单目视觉惯性SLAM方法。