定位是自动驾驶车辆技术体系中重要的一环,定位技术的精度与实时性对整个自动驾驶系统的运行有决定性影响。由于即时同步定位与建图（Simultaneous Localization And Mapping,SLAM）技术具有定位精度高、定位输出频率高以及适用性强等特点,所以SLAM被广泛应用在自动驾驶车辆定位中。基于不同传感器构建的SLAM算法效果各异。例如,激光雷达具有不受光线明暗变化影响、可直接获取深度信息的优点,使用激光雷达传感器的算法因此具备更好的实时性,相对于相机方案具备更强的抗光线变化能力,更重要的是激光雷达测距信息精度高,从原理上保证了算法的输出精度;而惯性传感器不受外部场景影响,能够提供稳定的运动测量,且惯性传感器输出频率高,能够有效测量剧烈运动工况下的信息,使用惯性传感器的算法有助于满足自动驾驶系统对精度与实时性的要求。本文针对自动驾驶车辆的定位场景,结合激光雷达的技术特点,提出了一种基于特征点匹配的高精度激光雷达里程计。并基于该激光雷达里程计提出了一种与惯性测量紧耦合的算法,有效增强算法的鲁棒性,并提升定位精度及建图质量。最后,本文采用离线数据集测试以及实车测试对所提出的系统进行了验证。本文具体的研究内容如下:（1）为给激光雷达和惯性测量耦合系统提供准确的外参数,本文提出了一种由粗到精的自适应能力强的LIDAR-IMU外参数标定算法。首先采用手眼标定算法对LIDAR-IMU外参数进行初步求解,该算法能够在不依赖于传感器外参数初始值的条件下稳定运行。然后以粗标定外参数结果作为输入,结合使用IMU运动估计,计算点云重投影误差,构建联合优化函数,迭代计算得到精确的外参数。（2）针对点云规模过大导致激光里程计计算速度缓慢,以及点云横纵向分布不均匀导致特征提取局部代表性不足等问题,本文提出了一种基于地面分割提取特征的高精度激光雷达里程计算法。算法采用了基于高斯过程回归的地面分割算法,使用RANSAC算法对地面点进行向量拟合,使用PCA算法对非地面点云分布进行估计,随后进行特征分类,得到带有方向的多种几何特征。采用最近邻搜索方式建立配准误差项,并使用多度量方法为误差项赋权,使用固定平滑方法构建后端,通过最优化方法求解非线性最小二乘得到位姿估计。（3）针对纯激光雷达里程计定位输出频率低,算法在快速剧烈运动下精度降低明显以及长距离行驶中累计误差难以消除的问题,提出了一种基于激光雷达传感器和惯性测量紧耦合的算法。算法使用IMU运动预测去除点云运动畸变,把激光雷达里程计的运动估计结果作为先验,采用预积分方式处理IMU测量作为运动约束项,联合优化得到紧耦合的运动估计。利用基于分割方法生成描述子的回环检测和GPS测量消除累积误差,基于增量平滑建图的关键帧方式对后端进行管理,实现了高效的状态变量更新和维护。（4）为验证所本文提出算法的精度、实时性、鲁棒性,本文分别使用了UrbanNav开源数据集和实车测试方式对算法进行了验证。UrbanNav数据集带有轨迹真值,能够全面评估算法的定位精度。在实车实验中,使用激光雷达、惯性测量单元、GPS和工控机等设备搭建了数据采集平台,进行了多种工况的实地数据采集。使用Ubuntu18.04和ROS作为软件架构构建系统框架,基于c++实现算法开发。算法在开源和自测两个数据集中进行了充分测试,验证了系统的精度和有效性。