无人驾驶、人工智能已经成为了当今人们研究的前沿技术,在智能车感知层面,定位的重要性不言而喻,智能车需要知道自己相对于外界环境的精确位置,才能准确的在道路上行驶。全球定位系统(GNSS)和惯性导航系统(INS)的组合,可以提供高精度的导航定位信息,是智能车在定位中的最佳方案之一,而在传感器融合时,选取合适的滤波算法也至关重要。因此,在智能车技术的发展过程中,能够提高定位精度的研究都具有很重要的意义。针对智能车定位,论文围绕GNSS/INS传感器融合滤波方法及其在北斗智能车中的应用展开了研究,取得了以下成果:(1)阐述全球卫星导航系统的组成以及卫星轨道模型,分析了卫星定位的三个主要误差来源及其误差特性。同时也介绍了用户接收机的PVT信息解算方法以及坐标转换方法。(2)系统的介绍了各种GNSS定位方法,包括常用的PPP、RTK和RTD定位技术。梳理了惯性导航系统的基本原理和误差来源;阐述了基于GNSS/INS组合系统的定位原理,选取松组合模型为传感器组合方式,实现了不同传感器的融合定位。同时介绍了传感器融合的原理和常用的传感器数据融合方法。(3)通过分析KF、EKF、UKF三种滤波模型的滤波理论及其适用范围,分别构建了EKF滤波模型和UKF滤波模型;并研究了相关的滤波算法,设定实验场景模拟复杂环境下的道路,利用实车数据对算法进行验证。GNSS/INS组合滤波后位置误差在1m以内,速度误差维持在0.5m/s左右,相较于滤波前位置误差提升了75.10%,速度误差提升了51.60%,与滤波前相比,位置、速度精度都得到了提高。(4)使用北斗智能小车搭载的GNSS传感器和INS传感器获取实测数据,将EKF和UKF滤波算法应用于GNSS/INS融合定位中,通过将两种滤波结果进行对比分析,UKF滤波结果相比EKF滤波,东方向、北方向标准差分别减小了0.062m和0.188m,水平方向位置误差提升了25.51%。可以得出在智能小车传感器融合中UKF滤波效果优于EKF滤波,证明了UKF滤波算法在GNSS/INS传感器融合的有效性和可靠性。