实现汽车在低光照,雨雾,动态变化等相对恶劣环境下的精准定位是实现安全的无人驾驶的基础。基于不同传感器的优势,进行多传感器融合定位是目前科研与学术界的共识。毫米波雷达具有成本较低、受到雨雾干扰较小、可以根据多普勒进行相对速度测量等优点,本文主要基于毫米波雷达,并融合里程计与IMU进行定位与建图的研究。基于毫米波雷达多普勒测速能力,融合里程计测得的车体自身速度与角速度信息,计算出检测到的点的全局径向速度,并结合雷达检测的可信度,实现物体的运动状态检测。运动状态的检测一般认为可以极大提高定位系统的稳定性。通过实际采集数据实验表明,在静态环境中,97%的检测点的全局径向速度小于0.5m/s,当可信度阈值为90%,径向速度阈值为0.5m/s时,静态点检测准确率为98.24%。在利用毫米波雷达进行粒子滤波进行定位时,需要里程计提供运动初值。里程计在打滑情况下几乎会失效。融合轮速里程计与IMU则可以缓解打滑造成的影响,通过IMU测取的角速度与里程计计算出的角速度信息,计算出打滑系数,通过阈值判断,实现是否打滑的检测,在严重打滑的情况下,采取IMU的加速度信息替代轮速里程计的速度信息进行位置更新,该融合算法有效提高了定位精度。通过Simulink仿真实验,表明在严重打滑情况下,即使低精度的IMU仍然能有效防止定位崩溃。上述里程计与IMU融合算法可以作为毫米波雷达粒子滤波算法的一部分,提供运动更新初值。基于毫米波雷达的粒子滤波定位,由两部分构成。第一部分是建图部分,根据较高精度的里程计与毫米波雷达数据,通过毫米波雷达的逆传感器模型,完成了周围环境占用栅格地图的构建,并根据车体经过的空间进行了地图优化。第二部分是粒子滤波定位部分,创新性地提出了帧累积策略,并结合多雷达布置的方法,以缓解毫米波雷达点数较少的问题,提出了观测模型,通过粒子滤波的算法对里程计数据与毫米波雷达数据进行融合,有效降低了全局累积误差。并对累积帧数、重采样系数进行了超参数实验,为进一步研究奠定了基础。为了开展上述研究,通过Simulink仿真以及实车采集测试数据的方式,进行方案与算法验证,充分发掘了毫米波雷达在传感器定位领域的作用,以及与里程计等其他传感器融合的能力,实现了毫米波雷达多传感器融合对定位性能的改善。