定位作为自动驾驶系统的基础,是系统实现路线规划、轨迹追踪的前提。基于激光雷达的三维点云配准定位,是近年来自动驾驶定位领域一个重要研究方向。激光雷达作为自动驾驶系统中的重要感知设备,采集到的点云数据具有不易受环境影响、感知范围大等特点,适用于自动驾驶户外定位工作。但户外点云具有数据稀疏且分布不均匀等特点,很难从中提取出稳定特征用于传统点云配准定位方法。针对上述情况,本文研究设计了一个针对自动驾驶户外场景的点云特征提取模型,并在此基础上对传统点云配准定位方法进行优化,实现了一个无需前置信息、准确稳定的点云配准定位方法。本文的主要研究工作如下:(1)设计了一个基于核心点卷积(KernelPointConvolution,KPConv)的点云特征提取模型。针对自动驾驶户外场景中三维点云稀疏且不均匀的问题,本模型结合地面采样滤除、三维卷积正则化和构建残差网络等方法提取显著且稳定的点云特征,为后期点云配准定位提供了可靠的保证。(2)研究实现了一种高准确率、高可靠性的自动驾驶户外点云配准定位方法。结合点云特征提取、三维点云体素采样、词袋模型算法、时间及几何一致性检查等技术,对传统正态分布变换(NormalDistributionsTransform,NDT)定位方法进行优化,实现了在自动驾驶户外场景中,无需前置信息的点云配准定位方法,相较于传统定位方法准确率更高、实用性更强。(3)制作了近40GB的自动驾驶户外场景实验数据集。为证明本文定位方法在实际应用中的可靠性,采集了兰州大学校园内多条路段的点云及对应的全球导航卫星系统(GlobalNavigationSatelliteSystem,GNSS)数据,将其进行筛选处理,并在此基础上针对不同应用场景进行了实验。实验表明,本文提出的基于KPConv的点云特征提取模型,可提取出稳定的点云特征信息。在此基础上实现的配准定位方法在自动驾驶多种应用场景中均可取得准确率超过98.5%的定位结果,对点云配准定位在自动驾驶的研究发展,有着重要的参考意义和应用价值。