自动驾驶技术无疑是当今发展最为火热的技术之一,随着无人车上路逐渐成为现实,诸如百度等互联网企业纷纷在该领域尝试,科技企业率先提出在封闭环境内开展固定路线的L4级别无人驾驶。特定园区场景已成为无人驾驶最为迅速的落地方式,而解决园区内自动驾驶的关键便是高精度地图以及高精准的定位。因此本课题以园区作为自动驾驶开发场景,针对目前高精度定位存在的诸如全球导航卫星系统(GNSS)信号不稳定带来的定位信息不准确、定位漂移等问题,采用激光雷达作为主要传感器,辅以惯性传感器进行高精度定位与环境地图构建算法(SLAM)研究。本研究依托于国家科技部项目“电动自动驾驶汽车关键技术研究及示范运行”,提出一种满足园区自动驾驶要求的高精度定位与点云地图生成算法。具体研究内容如下:(1)针对激光雷达目前存在数据量冗余、计算压力大、稀疏点云不能准确表征环境信息、地面等非结构点云信息处理占用计算资源等问题。本研究为了减少后续算法计算压力,便于进行点云帧间匹配和特征提取,提出了一种针对同步定位与建图技术的点云数据预处理算法:对激光雷达数据频率进行选取以匹配园区自动驾驶场景,利用体素滤波器进行数据下采样处理,对点云感兴趣区域进行阈值分割以及利用欧氏距离聚类对点云提取分类。从数据对比效果可以看出预处理大大减少后续算法的数据处理计算量,从实际应用层面减少计算压力,为后续研究环境构建与高精度定位算法奠定有效基础。(2)针对园区内环境重建问题,从同步定位与建图方法对数据处理实时性要求角度考虑,综合分析目前点云特征提取的主流思路,提出一种利用曲率分割的点云特征提取方法,兼顾特征提取的有效性与实时性。进而针对特征点实现点云帧间匹配,与标准迭代最近点的点云配准方法相比本算法计算量减小,提高了算法的鲁棒性,通过点云配准构建局部点云地图。针对点云配准存在匹配误差,容易造成地图的“重影”以及后续定位的漂移的问题,本研究在局部地图支撑下采用图优化框架进行全局地图的优化,根据迭代最近点(ICP)优化结果构建图优化中的边和顶点,其约束方程通过谷歌开源优化库(g2o)优化求解,生成园区场景下全局环境地图。(3)针对园区内高精度定位问题,单纯利用点云地图匹配定位存在定位累积误差,影响远距离长时间行驶定位精度。因此本研究利用惯性测量单元的数据高频特性,在下一帧点云到来之前对惯性测量单元提供的运动信息进行预积分估计车辆当前位姿,通过生成点云地图的特征匹配进行车辆位姿估计;同时由点云特征点建立特征线与特征面的约束方程,转换为非线性最小二乘问题优化求解;最后利用惯性测量单元与激光雷达紧耦合进行联合定位优化,更新车辆位姿。除此之外将优化结果用于更新惯性测量单元预测过程的状态变量,消除惯性传感器自身漂移噪声。(4)最后,本研究利用实验室智能化线控车辆硬件平台以及机器人操作系统(ROS)软件平台,设计试验场景实现算法实车测试与算法改进优化。通过ROS实现计算平台与传感器数据的交互、各个子节点之间的信息传输以及向车辆决策层发送定位信息。实验表明,本同步定位与建图算法不仅能有效提供定位信息,在弱GNSS信号下有效弥补基于卫星信号定位方法的不足,与目前主流的激光雷达同步定位与建图方法对比也能在一定程度上消除累积误差。在吉林大学南岭校区典型园区工况下能较为准确地构建环境点云地图,消除地图“重影”,满足地图精度要求。对自动驾驶应用结果分析,本课题研究内容可以应用于园区内L4级别自动驾驶中,实现轨迹跟踪以及更多无人驾驶任务,保障园区内无人车安全、平稳运行。