随着无人车行业的迅猛发展,如何在大范围的室外环境中实现无人车的自主定位成为当前的一个研究热点。在大范围环境中,随着移动距离的增加,使用激光雷达和惯性测量单元（Inertial measurement unit,IMU）等传感器得到的定位的累计误差会逐渐增大,要实现无人车的精确定位需要更多的传感器信息。当环境中特征较少,基于特征匹配的配准算法将会缺乏足够的特征点用于点云间的配准。本文主要针对无人车在大范围室外环境中的自主定位问题,采用了先建立离线点云地图,再基于离线点云地图实现无人车定位的方法,使用全球定位系统（Global Positioning System,GPS）、IMU以及3D激光雷达作为传感器,重点研究了离线点云地图的构建,无GPS条件下基于离线点云地图的定位以及地图误差的修正,本文的定位方法有效实现了无人车的精确定位,具有重要的研究意义。本文的主要研究工作如下:（1）针对特征较少的室外大范围环境,设计了一种基于增强正态分布变换（Open MPboosted Normal Distributions Transform,NDT-OMP）配准算法的建图方法。算法使用GPS、IMU以及3D激光雷达作为传感器,使用GPS信息对NDT-OMP配准算法的配准过程进行了优化,并利用通用图优化（General Graph Optimization,g2o）框架添加了GPS信息及IMU信息的约束,对配准算法得到的结果进行优化,完成离线地图的构建。（2）在无GPS条件下,设计了一种基于无迹卡尔曼滤波（Unscented Kalman Filter,UKF）的定位算法。该算法使用离线点云地图作为配准的参考帧,结合了UKF算法与NDT-OMP算法,将UKF算法预测过程得到的预测值作为配准初始值,将当前点云与离线点云地图配准,得到的配准结果作为UKF算法的观测值,UKF算法观测更新后得到最终的位姿估计。（3）针对建图过程产生的误差,本文提出了一种地图误差修正算法。该算法首先在环境特征较多的地点记录路标,定位过程中依据当前点云位置与路标间的相对距离找到距离最近的路标,使用迭代最近点（Iterative Closest Point,ICP）算法实现当前点云与路标之间的配准,当配准结果符合条件,计算当前点云与路标间的变换,得到地图修正量,最后对定位算法得到的位姿进行修正,得到修正后的位姿估计。