随着无人车应用的普及,无人车的定位显得至关重要,它是规划和控制的基本前提。借助单一传感器完成的定位难以满足复杂环境中多变的任务需求,多个传感器融合成为一种必然的选择。本文针对无人车在复杂环境中可能出现的环境切换、传感器失效以及异步、时延等情况,基于因子图模型和增量平滑算法,构建了多源信息融合定位框架,仿真实验测试了所提出定位算法的各项指标如精度、鲁棒性、实时性。主要完成以下研究内容:首先,建立了传感器融合定位问题的概率模型和因子图模型。基于因子图和联合概率密度,给出了定位问题的因子图描述;对先验信息、IMU信息、GNSS信息和里程计信息的因子表示进行了分析;从数学角度推导了无人车位姿的非线性最小二乘估计,并通过平滑方法进行求解。然后,研究了基于贝叶斯树的增量平滑算法。对因子图进行变量消元,得到贝叶斯网络,进而建立贝叶斯树;鉴于贝叶斯树的树形结构便于概率推理,在其基础上讨论在线实时求解。每次新测量值到来时,只更新贝叶斯树中被新测量值影响的部分,从而降低计算量以实现增量平滑。其次,建立了无人车实时定位问题的多源信息融合框架。针对不同的传感器,采用了预积分、视觉惯性里程计、激光里程计等预处理模块,对IMU信息、图像信息和点云信息进行初步的处理和融合;对复杂环境中可能出现的传感器失效情形,提出了判别方法,并给出了异步融合的步骤,用于处理传感器频率不同、延时等问题;基于上述研究构建了传感器融合问题的总体框架。最后,完成了多源信息融合定位算法的数据集仿真测试,验证了定位指标要求。讨论不同传感器组合在不同实验场景中的定位精度,结果显示融合算法的定位精度比视觉惯性里程计或激光里程计高了一个数量级,平均误差在20厘米左右;对于定位鲁棒性,模拟了室内外环境切换的情况,仿真结果表示在XY平面上仍能保持较小的误差;最后给出了关于算法实时性的定性的讨论,融合定位算法能够提供不低于50HZ的定位结果。