即时定位与地图构建（SLAM）作为无人驾驶领域常用的感知技术,是实现智能车自主导航的关键。目前开源的SLAM算法仍以激光SLAM和视觉SLAM为主,二者分别利用激光雷达和视觉相机作为主传感器。激光雷达测距精准,但对场景识别能力较弱,导致激光SLAM算法缺乏回环检测能力,同时在退化环境中易出现精度较差和定位丢失问题。视觉相机能够获得丰富的环境纹理信息,但受光照影响严重、数据处理过程复杂,此外视觉SLAM中对特征像素深度估计误差较大。为了解决以上问题,本文在已有研究的基础上提出了一种融合激光雷达、视觉相机和惯性导航单元的SLAM系统框架,文章主要工作内容如下:1.提出了一种基于RANSAC的地面点云提取算法。实际场景中的墙面点云的存在以及由于激光雷达安装误差导致地面点云在激光雷达坐标系中与Oxy平面存在一定夹角都会对地面提取工作造成干扰。本文通过在多次利用直通滤波筛选候选点云,用RANSAC算法自候选点云中提取平面模型,利用该平面模型从当前帧点云数据中筛选内点。若相邻两次内点数量增幅较小,则完成提取工作。2.提出了一种融合激光雷达、视觉相机和IMU数据的前端配准算法。激光数据处理过程中,利用IMU数据去除点云的运动畸变,采用1中方法完成地面特征的提取,在其余点云中依照曲率提取边角特征和平面特征。视觉特征处理过程中,提取特征像素并利用LK光流法完成特征跟踪,通过标定的外参矩阵、激光点云数据以及EPn P算法获得两帧中特征像素的深度,完成视觉特征的提取过程。联合上述多种特征构建帧间位姿变换误差方程,利用高斯牛顿法对其进行迭代求解,完成前端配准工作。3.提出了一种利用激光点云数据和视觉图像的回环检测模块。利用K维树存储后端优化位姿结果,基于空间位置关系和对应图像的视觉词袋描述向量判断是否回环。在成功检测到回环后,利用当前帧与历史回环帧的激光点云计算两帧间的相对位姿变换,将该回环约束加入全局位姿图进行优化,消除累计误差。本文利用奇瑞e Q1采集的地下停车库数据和KITTI公开数据集进行算法测试,并与开源算法LOAM和ORB-SLAM进行对比。实验结果表明,本文提出的SLAM算法相比上述算法算法具有更高的位姿估计精度和更好的点云地图一致性。