无人车单一传感器同步定位与地图构建(simultaneous localization and mapping, SLAM)算法鲁棒性较差，现有多传感器融合方案则较少考虑车辆运动约束，导致横向定位漂移。为此，提出一种基于ORB-SLAM的视觉-惯性-车轮紧耦合优化方法，将三者约束统一纳入后端的捆集优化(bundle adjustment, BA)。首先给出视觉里程计、惯性测量单元(inertial measurement unit, IMU)和基于阿克曼车辆模型的车轮里程计残差模型，然后建立基于ORB-SLAM的单目视觉-惯性-车轮融合的SLAM系统优化框架。在KAIST数据集和实际校园场景下的实验结果表明，与其他常用SLAM方法相比，本文改进算法有效减少了误差累积，定位与地图构建结果更稳健且精确。