随着交通问题的凸显和各行业的发展需要,智能车辆的技术发展日新月异,环境感知做为智能车辆技术的一大方面受到越来越多人的重视和研究,而精确的定位是环境感知的前提。传统的定位技术,如全球定位系统(Global Positioning System,GPS)在各领域得到广泛应用,但GPS存在多路径反射、误差较大、信号更新频率低等问题,导致在某些情况下的定位并不可靠,因此采用其他定位方法对其进行辅助定位是非常有必要的。本课题基于传感器信息融合技术展开了面向智能车辆自主定位方法的研究,以解决传统车辆定位方法因信号受遮蔽、误差累积等原因对定位精度以及定位可靠性的影响。首先,介绍了基于航迹推算的定位方法,结合车辆运动学模型,对基于ROS系统的里程计定位算法进行设计。针对其定位误差累积的缺陷,提出了使用惯性导航元件对定位结果进行修正的方法,在一定程度上减小了误差累积对定位精度的影响。其次,介绍了基于特征点的视觉里程计定位算法,在视觉前端的设计上,使用灰度化、图像阈值分割、中值滤波等图像处理手段对图像数据进行预处理,针对特征点分布不均的问题,提出了结合图像高斯金字塔对图像进行降采样提取特征的方法,改进后的视觉前端在稳定性上有了较大的提高。基于稳定的视觉前端,结合PNP等算法完成了视觉里程计的定位工作。再次,针对单一传感器在定位方面存在的定位精度不足,定位效果不稳定等缺陷,本课题融合视觉传感器和惯性传感器的信息,设计了基于多传感器信息融合的视觉-惯性里程计定位方法。首先对IMU的误差进行建模分析与标定,采用预积分的方法对IMU和视觉传感器进行时间上的匹配,结合IMU误差项与视觉重投影误差建立联合优化目标函数,对目标函数进行非线性优化,完成了视觉-惯性里程计的定位工作。最后,为了进一步比较几种定位方法的优劣性,本文对上述三种定位方法分别进行了仿真试验与平台试验测试,并依据相关标准对测试结果进行了评估,试验算法皆通过C++语言实现。结果表明,基于轮式里程计的定位方法定位精度最低且存在较大的累积误差,基于视觉传感器的视觉里程计定位方法精度较高,但在高频率、高速运动的情况下定位算法容易发散。视觉-惯性里程计定位算法定位精度较高,其绝对定位误差为50mm左右,并且能够适应高速度、高频率抖动等运动情况,其定位稳定性较强。