室内环境下的构图和定位应用涉及到了人们生活的多个方面,为社会带来了一定的经济效益。构图的目的是构建环境的地图,地图则是定位与导航等其他应用的基础。未知环境下的构图通常是基于同步定位与构图技术（Simultaneous Localization and Mapping,SLAM）实现的,相比人工测绘的方式更加高效。当目标区域的地图信息已知时,则可以根据实时输入的传感器数据和已有的地图信息实现在线定位。上述基于SLAM的构图和基于已有地图的定位这两个应用本质上都是基于传感器数据的状态估计问题,但具有不同的表现形式。采用单一传感器的状态估计方法具有一定局限性,本文在室内场景下利用无人车平台搭载超宽带（Ultra Wide Band,UWB）定位模块、惯性测量单元（Inertial Measurement Unit,IMU）和多线激光雷达（3D Light Detection and Ranging,3D-Li DAR）,通过多传感器数据融合的方式完成上述两项应用,具体研究以下内容:首先根据未知环境下的构图和已知环境下的定位这两项任务的特点,以及本文所用传感器的工作特性,选择合适的多传感器融合状态估计框架。在基于SLAM的构图环节中,系统需要维护多个时刻的状态估计,本文采用因子图优化作为基本框架融合上述三种传感器数据。在基于已有地图的定位阶段,本文则利用滤波框架融合IMU数据和激光雷达数据,并输入UWB数据作为辅助信息。上述两个应用都依赖于激光点云数据,针对激光点云数据量大且含有噪声的问题,本文设计了点云预处理模块,对原始输入的激光点云进行组织化,地面分割和点云聚类的处理,再将处理后的点云数据输入到上述两个任务框架中。在基于SLAM的构图环节中,首要目标是设计低漂移的前端里程计模块,估计传感器在未知环境下的位姿信息。针对仅靠激光雷达实现的里程计的精度相对较低的问题,本文利用局部因子图优化的方式融合IMU数据和激光雷达里程计数据,具体方式是利用IMU的预积分模型构造激光雷达关键帧之间的运动约束,为局部因子图添加IMU预积分因子;再通过激光点云配准得到定位位姿构造观测约束,为局部因子图添加关键帧激光里程计因子。通过上述局部因子图优化,可以得到低漂移的Li DAR-IMU里程计信息,但前端里程计在经历较长时间运行后依然会积累误差。对此,本文在SLAM后端使用全局因子图融合前端里程计数据,并添加UWB测距信息作为观测约束,从而抑制位姿的误差。SLAM后端的地图管理模块再根据不同时刻的定位位姿和激光点云最终构造较为精确的室内点云地图。本文将上述基于SLAM方式生成的3D点云地图进一步用于已知环境的定位研究。由于地图信息已知,该状态估计的形式相对简单,不需要再像SLAM环节那样维护一个增量地图。对此,本文采用无迹卡尔曼滤波为基本框架,同样利用IMU数据构造运动约束并通过激光点云和地图点云之间的配准关系构造观测约束,最终输出系统的定位位姿。在该任务中,本文还引入UWB定位信息作为激光点云配准的先验值,用于提高点云配准的效率。本文分别在不同的室内场景下,利用无人车平台搭载上述三种传感器,并在机器人操作系统（Robot Operating System,ROS）环境下通过实验验证了本文的SLAM构图和基于已有地图的定位方法的有效性。