定位是自动驾驶车辆自主导航技术的关键问题之一。保持稳定、精确、实时的定位能够保证自动驾驶车辆行驶的安全。自动驾驶车辆的定位方式主要有:基于全球卫星导航系统(Global Navigation Satellite System,GNSS)的定位方式,基于激光雷达点云地图匹配的定位方式等。目前在自动驾驶领域,全球卫星导航系统是使用最广泛、应用最成熟的定位技术,自动驾驶车辆依靠GNSS定位技术能够在大多数场景下完成精确定位与导航,但仍然存在卫星信号被周边环境的建筑物和树木等障碍物遮挡导致定位失效或者偏移等状况。目前为了提高定位精度,利用GNSS中的实时差分定位技术(Real-time Kinematic,RTK)结合惯性导航系统(Inertial Navigation System,INS)进行多传感器融合定位,以满足自动驾驶车辆高精度定位的需求。但是,在复杂地形环境下对定位的干扰依然不可避免,因此在自动驾驶领域基于全球卫星导航系统的定位方式在地形环境复杂的场景下仍受到很大的限制。车载激光雷达采集的点云地图不仅能够提供全方位的道路特征信息,同时,能够为自动驾驶车辆实现厘米级定位提供数据基础。基于点云地图匹配的定位技术能够不受天气、地形等环境因素的影响,在定位测算中保持相互独立,在复杂环境下替代GNSS定位,为自动驾驶车辆的安全行驶提供保障。为此,本文对基于点云地图匹配的定位技术进行研究,并对经典的点云匹配算法进行改进,对比不同算法在复杂环境下的定位精度和效率,验证基于点云地图匹配的定位技术的可行性。本文的研究数据选取于目前国际上最大的自动驾驶场景数据集(KITTI)中的城市环境点云数据。首先,对点云数据进行预处理,利用LOAM算法预先构建出点云地图,作为匹配定位实验的基础数据,利用PCL库中的滤波算法对点云数据中存在的噪声点进行过滤优化,增强匹配定位的稳定性;然后,分别利用迭代最近点(Iterative Closest Points,ICP)算法和正态分布变换(Normal Distribution Transform,NDT)算法进行单帧点云与点云地图的匹配定位实验,分析两种算法的稳定性、精度以及效率;最后,在当前完成匹配定位的基础上进行研究和算法改进,利用Gauss-Newton法改进ICP算法,同时利用K-D树加速查找对应点,并且和NDT算法进行集成,定义为NDT-ICP算法,进行匹配定位实验。实验结果表明,改进后的NDT-ICP算法结合了ICP算法的高精度和NDT算法的高效率,在定位精度上待配准点云与源点云地图之间的对应点平均距离为4.52cm,可以满足自动驾驶车辆的定位需求;在定位效率上,每一个单帧点云进行匹配定位消耗的时间平均在6.47s,在自动驾驶车辆定位的实时性上还有提升的空间。