当今,自动驾驶正在快速发展,许多公司更是研发出了其自主车原型系统。如此快速的发展一方面取决于传统模式识别领域的进步,另一方面在于对高精度地图的使用。与传统地图相比,信息更加精确的高精度地图对自主车有以下几个辅助作用:首先,依靠精细的基于地图的扫描匹配可以将自主车精确地定位在先验地图上,整个过程不依赖GPS;其次,通过在高精度地图上人工标注道路标志线、交通灯、路沿等物体,可以提高自主车对周围环境的感知能力;另外,精确的道路区域和形状可以辅助检测交通场景下的动态目标,同时也有利于局部路径的规划。本文研究的问题是基于激光雷达的三维高精度地图构建与定位,主要内容和创新如下:1.提出了一种自适应的雷达匹配算法。激光雷达的前后帧匹配是建图和定位的基本。由于当前主流的匹配算法都仅针对城市环境,为了提高算法对环境的适应性,本文提出了一种对野外和城市环境均有效的联合匹配算法。该匹配器结合了局部梯度方法和全局搜索方法的优点。通过在野外实车数据集上的横向对比实验,证明了该算法在精度上明显超过现有流行算法。2.提出了一种保持局部环境一致性的雷达补偿算法。平台在采集雷达点云的过程中存在刚体运动,导致单帧数据产生一定畸变。精确的前后帧匹配需要对雷达点云进行补偿,而绝大多数匹配算法忽视了这一点。本文提出了一种基于匹配和局部优化网络的补偿方法,通过将局部多帧点云重投影到同一时刻处达到最优匹配来估计最佳补偿。与昂贵的组合惯导系统提供的补偿相比,该算法更精确且不受GPS漂移影响;与传统的匹配补偿相比,该算法不受丢帧影响且保持了局部环境的一致性。3.提出了一种基于先验地图的“雷达-惯性测量单元(IMU)”紧耦合定位算法。在结构单一或过于复杂的环境下,现有的仅靠雷达匹配定位的方法容易发散。为了增加定位的鲁棒性,本文提出的算法通过在流形上的“IMU预积分”实现运动预测,通过基于地图的雷达匹配完成对IMU漂移量的实时校正。另外,本文采取了一种多分辨率的八叉树地图表示方式,通过对地图中的地面和障碍设置不同分辨率,提高了定位效率。经实车数据验证,该定位算法的平移误差约5cm,角度误差约0.01度。