自主导航中的场景辨识是自动驾驶底层技术中最重要的功能之一,其性能表现与所建先验地图的一致性息息相关。基于现有的建图和导航技术,自动驾驶在园区物流、港口运输和道路清洁等领域得到了进一步落地发展。对于长期环境对地图一致性的影响,实际应用中的场景变化对场景辨识的干扰这些限制自动驾驶常态化运行的关键问题,依然是当前的研究热点,对于扩大自动驾驶的应用场景具有积极作用。自动驾驶应用场景中的地图,往往在机器人工作之初构建,且随着周围的环境变化,一致性逐渐降低,而机器人的场景辨识性能又和地图的一致性息息相关。目前大多数维护地图一致性的方法是定期对地图进行更新,更新方案包括重新建图或者人工对地图变化的场景进行修改,这给自动驾驶相关业务的落地带来了巨大的成本压力。为了解决这些问题,本文提出了一种基于静态目标信息的静态地图形式,其只关注环境中的不易随时间变化的鲁棒信息,克服了长期环境的变化对地图一致性的影响,从而保证地图的长期有效性。针对现有的场景辨识算法在环境变化下准确率降低的问题,本文提出了一种基于语义信息的描述子构建算法,该算法对场景中的静态语义点云分类并进行特征提取与组合,通过组合描述子的方式保证在长期场景下的机器人场景辨识表现。相比于传统的地图构建和场景辨识算法,本文的创新点在于使用了能够对环境进行更加抽象理解的语义点云信息,并在实际的校园场景中进行了实验验证。通过应用本文所提出的静态地图表达形式,能够在长期环境下依然保证地图具有较高的一致性,解决地图了的更新问题,降低了维护地图质量的工作难度。且基于该地图形式的场景辨识算法在环境变化时依然能够保证较高的准确度。简而言之,本文提出的适用于长期环境的建图与场景辨识算法,拓展了SLAM技术的应用范围,在帮助自动驾驶技术的进一步落地方面,有潜在借鉴意义。