未来的汽车会包含四个显著的属性,也就是目前汽车产业正在经历的“四化改革”,即网联化、电动化(电气化)、智能化和共享化。其中以智能化为代表的智能驾驶技术将经历较长时期的发展而逐步成熟,同样也会是未来汽车行业的发展方向。而3D激光雷达在高精度地图的建立以及智能驾驶汽车路径规划方面的研究和应用必将是智能驾驶技术的发展方向和技术依托。另外,由于激光雷达稳定强大的性能,SLAM技术在地图构建及精确定位方面的技术优势这两个方面的叠加,当前,3D激光雷达的实时定位和建图(SLAM)技术是智能驾驶领域核心技术的研究热点并且将继续延续。本文以车载3D激光雷达,车载组合惯性导航系统等为主要传感器,对基于3D激光点云的SLAM技术展开以下几个方面的研究工作:(1)对组合惯性导航系统和激光雷达的原始数据进行结构分析,然后对其原始数据分别进行滤波等预处理工作,主要包括对组合惯性导航系统数据中的重力加速度影响进行去除,对点云数据进行三步滤波以及基于角度微分的方法对地面进行去除。最后,将预处理完成的数据进行融合以去除激光雷达的运动畸变。(2)对激光雷达SLAM分别从前端和后端两个方面进行了研究和算法设计。对于SLAM前端,首先基于曲率和RANSAC算法进行了特征点的提取,然后利用从迭代求解方法上优化后的ICP算法进行了点云数据的配准。对于SLAM后端,从图节点和节点约束边两个方面对位姿图进行了建立,并进行了优化,其中对于节点约束边中的回环边进行了重点介绍,同时也对重定位部分也进行了分析。(3)从数据预处理方面出发对场景中远端点,离群点,稠密点和地面点滤除等部分设计了实验进行算法效果验证,取得了良好的预处理效果,并对后期的数据处理起到了提高计算效率和鲁棒性的作用;从SLAM前端方面出发对场景中点云特征点提取算法和点云匹配算法进行了准确性和鲁棒性方面的实验验证,实验表明基于本文的特征点提取和匹配算法,最终的匹配准确率有所提高,对噪点的抗差性也较强;从SLAM后端方面出发对优化效果和算法效率设计了实验进行验证,对于大场景,本文的SLAM最终在误差控制上表现良好,并且算法耗时也有所降低;最后本文选取了无回环的长直线场景和有回环的大规模场景两种开源点云数据集对本文SLAM算法的整体效果进行了可靠性和可行性验证,在算法处理的细节及整体上都取得了良好的效果。通过对以上几个方面的实验结果分析,确定了本文所论述的基于激光雷达的实时定位和地图构建技术在不同环境中,算法各部分都具有可行性和可靠性,并达到了预期效果,并且能够在智能驾驶车辆上进行良好地运行。