无人车位姿估计是无人驾驶技术的重要组成部分。位姿估计的精度直接决定了无人驾驶的成功与否。在无人车行驶过程中,要驶过各种复杂的路面,因此对无人车在复杂路面条件下的位姿估计研究就显得十分必要。本文采用多传感器信息融合的方法,基于复杂路面条件对无人车的位姿估计进行研究。本文的研究工作主要如下:首先,建立了无人车的运动学模型。其中,车轮滑移情况是造成无人车位姿估计误差的主要因素之一。为此,对无人车车轮滑移情况进行分析,建立了滑移情况下的运动学模型。传感器的测量误差是影响位姿估计精度的另一个主要因素。为此,对本文所用的传感器:陀螺仪、轮式里程计和地面摄像头进行了数学模型建立与误差分析。本部分研究为无人车位姿估计提供了精准的运动学模型与传感器误差模型。其次,根据无人车滑移情况主要受路面材质影响可知,实时且精准的地形分类是保证无人车位姿估计精准的必要条件。因此,本文设计了一种基于机器视觉的地形分类算法。该算法使用卷积神经网络,根据无人车地面摄像头采集的信息特征,在Alex Net架构下进行改进,加入了数据增强与图像裁剪的预处理过程,保证了无人车在复杂路面条件下对地形的准确分类。并与基于SVM的地形分类方法进行了对比实验,验证了本文提出的地形分类器的优良性能。然后,根据无人车在复杂路面行驶过程中的运动情况,和所选用的传感器误差情况,设计了一种基于多传感器信息融合的方法,对无人车航向角进行估计。该算法在卡尔曼滤波基础上进行改进,根据里程计和陀螺仪各自的传感器误差特性,引入在线噪声方差估计与里程计异常值检测环节,提高了无人车姿态解算精度。无人车的位置解算误差主要由车轮滑移情况导致,为提高无人车在复杂路面条件下的位姿解算精度,本文设计了一种考虑滑移情况的离散化航迹解算方法。该算法采用几何法,建立了离散化的无人车航迹解算方程,可直接应用于计算机控制,避免了采用传统离散化方法带来的解算误差,同时,根据地形分类器在线获取地形信息,对航迹解算模型中的滑移率参数进行在线调节,降低了因滑移情况导致的位置解算误差。最后,通过MATLAB仿真实验和实车实验,对本文所设计的复杂路面条件下无人车位姿估计方法进行了检验。实验结果表明,本文所设计的方法可以降低复杂路面条件下无人车位姿估计误差,有效抑制了无人车姿态估计与位置解算的发散情况,延长了内感受传感器进行位姿估计的有效时长。