SLAM（Simultaneous Localization And Mapping,同步定位与地图构建）技术能为运动机器人提供实时定位和环境地图,广泛应用于无人驾驶汽车、物流自动引导车等领域。激光雷达为SLAM获取环境信息的主要手段之一,纯激光雷达SLAM的旋转估计不稳定,难以矫正点云畸变。惯性测量单元（Inertial Measurement Unit,IMU）可动态提供旋转和速度数据,但无法构建SLAM地图。本文采用三维激光雷达结合惯性测量单元进行SLAM,精度较高的环境点云利于估计轨迹和构建稠密地图,高频惯性状态可预判运动。采用激光雷达结合惯性测量单元的SLAM算法中,典型的有LOAM、LIO-Mapping算法,但这两类算法未考虑运动载体从速度非零时启动的情况,比如运动载体在运行过程中程序中断后重启,此时载体会有较大的速度。若载体在非静止时启动SLAM算法程序,以上算法获得的轨迹的位移误差较大。本文在LIO-Mapping算法的基础上进行以下改进,提出一个基于惯性测量单元和激光点云的SLAM算法:1、以激光点云进行SLAM辅助估计惯性测量单元的初始状态——计算首帧激光点云对应的惯性初速度后重新积分惯性位姿。2、利用滑动窗口建立待优化点云、改进的惯性位姿和局部地图的联系,修改匹配残差旋转雅克比的z轴分量对齐全局位姿的重力方向。本文通过KITTI公开数据集的真实道路驾驶环境数据,对多种道路情景进行实验,证明激光点云辅助估计惯性单元状态的方法、基于惯性测量单元和激光点云的SLAM算法优化方案的可行性。各实验中,本优化方案的综合绝对轨迹误差均低于LIO-Mapping,位移估计的准确度提升至少为10.49%。