随着人工智能的技术逐步发展与成熟,汽车行业普遍呈现往智能化发展的趋势。近几年,无人驾驶领域逐渐兴起,众多车企、互联网巨头和创新企业在此领域,进行了不同场景无人驾驶智能化、规模化的尝试。在无人驾驶的相关技术中,导航系统（Navigation System）充当了至关重要的角色,除了需要为车辆提供精准的自身状态观测（Ego-Car state estimation）,也要能结合其他系统完成高精度地图的构建,还可以为车辆实时驾驶和决策提供基础输入。在此领域中,比较重要的两类问题,分别是车辆状态观测,和同步定位与构建地图SLAM（Simultaneous Localization and Mapping）。随着理论研究和实践的深入,学界一般认为通过车辆的多传感器融合,可以更好地为系统提高精度以及鲁棒性,是近年来重要的发展方向。本文也就基于多传感器融合对车辆状态观测和构建地图的方案和方法展开研究,主要的内容有以下几项:首先,输入数据有相机和激光雷达的图像与点云,通过结合Yolo V3目标检测技术以及去地面算法,设计了Seg-Fusion模型,可用于在三维空间中感知对象并对在点云中进行精准切割,实现针对特定对象的感知任务。其次,结合IMU的预积分方法,设计了基于Camera-Lidar-IMU松耦合的里程计系统;系统对地面点云进行地面法向量配准,对桩桶点云进行迭代最近点配准ICP算法配准,从而实现在室外特征稀疏的场景中的自身状态估计。然后,基于迭代扩展卡尔曼滤波i EKF,设计了多传感器紧耦合系统。系统采用不同传感器并行的框架:对不同传感器数据进行对应的预处理,而不会相互影响,从而提高了系统的鲁棒性。实验对系统进行了失效模拟,模拟不同传感器失效,系统始终能保持稳定。最后,基于本文提出了迭代误差状态卡尔曼滤波理论（i ESKF）,提出了多传感器紧耦合的SLAM系统（MSF-LOAM）。i ESKF综合了误差迭代卡尔曼滤波ESKF和i EKF的优点,能通过迭代逼近最优解;且每次计算都在状态空间附近,可以避免数据的奇异引起的系统问题。融合GPS使得系统可以应对室外场景。最终,与主流的SLAM系统进行比较,MSF-LOAM具有更小的累计定位误差。