准确定位是无人驾驶的关键技术之一,传统的车辆定位使用全球定位导航系统(Global Navigation Satellite System,GNSS),但在复杂的城市环境下由于多路径和非视距传播效应GNSS不能为无人车提供准确的定位。同时定位与建图(Simultaneous Localization And Mapping,SLAM)由于帧间配准不可避免地存在微小误差导致SLAM的累积误差随着无人车行驶里程的增加而增大,也不能直接用于无人车的定位。本文针对复杂城市环境下GNSS和SLAM无法为无人车提供准确定位问题,研究基于激光雷达(Light Detection and Ranging,LiDAR)和先验3D点云地图的无人车定位算法。首先,针对激光点云配准问题,本文给出根据点云曲率大小提取特征点的方法,并将特征点分为边缘特征点和平面特征点。为了计算无人车在相邻帧之间的位姿变换关系,根据当前帧边缘特征点到其对应的参考帧特征直线以及当前帧平面特征点到其对应的参考帧特征平面的距离构建损失函数,通过最小化损失函数就可以计算出无人车的帧间位姿变换关系。其次,针对3D点云地图建立问题,提出基于自适应信息矩阵的激光里程计(LiDAR-odometry)位姿图优化(pose graph)建图方法,解决了仅依靠激光里程计建图产生建图偏移较大的问题。本文使用LiDAR和GNSS数据构建位姿图,其中无人车位姿作为节点,激光里程计作为节点间的约束,GNSS对无人车的观测作为无人车位姿先验信息。构建的位姿图本质是一个最小二乘问题,根据优化后的位姿拼接点云即可创建先验3D点云地图。本文根据帧间配准的结果构造位姿图中的信息矩阵以及GNSS信息的加入提高了建图效果。然后,针对无人车定位问题,本文提出了基于曲率大小的特征点与蒙特卡罗定位(3D curvature features-Monte Carlo Localization,3DCF-MCL)的融合定位算法,解决了在城市环境下由于建筑物遮挡GNSS信号较弱或无GNSS信号的情况下无人车需要准确定位的问题。定位时使用GNSS提供无人车在世界坐标系(或地图坐标系)下的位姿初值,轮速传感器提供粒子滤波(particle filter)预测阶段的里程计信息,根据从当前LiDAR采集的点云中提取的特征点与先验点云地图配准结果对预测阶段的无人车位姿进行更新。3DCF-MCL的优势在于它融合了3D特征点配准的准确性和粒子滤波的鲁棒性。最后,使用室外采集的真实场景数据对算法进行了验证。实验表明,3DCF-MCL在将本文创建的3D点云地图作为先验地图的情况下,可以精确、实时、鲁棒地对无人车定位。通过与权威的基于激光雷达的定位算法作对比表明3DCF-MCL的定位性能优于它们。