定位技术是无人驾驶技术体系的重要一环。传统的卫星定位、V2X等无人驾驶定位方法,对于城市、隧道等复杂交通场景具有局限性且定位误差较大,容易影响行车安全。依靠无人驾驶必备的激光雷达环境感知器件来实现车辆的自主定位,一直是无人驾驶领域的研究热点。激光雷达自主定位的关键是点云配准。传统的点云配准算法诸如ICP及其改进算法,存在应用面窄、易陷入局部最小解的缺点。为此,本文提出了一种新的激光雷达点云配准算法,在此基础上构建了相应的激光雷达里程计以及即时定位与地图构建(SLAM)方法,以实现无人驾驶的可靠自主定位。主要研究内容及创新点如下:(1)在卷积神经网络PointNet++和ICP算法的基础上,提出一种新的点云配准算法,利用PointNet++提取点云的深层特征描述子,以特征差为依据寻找两组点云的对应点,从而提高配准的精度。(2)基于PointNet++&ICP点云配准算法,提出了一种新的激光雷达里程计,利用粗细配准实现相邻点云帧之间的运动估计,并将其转换到全局坐标中。里程计首先对点云进行滤波和运动补偿的预处理,从而保证里程计的更新频率;由于PointNet++&ICP能克服初值敏感问题,所以PointNet++&ICP可以作为粗配准为ICP的细配准提供较好的初值,从而加快ICP的收敛速度且能避免ICP陷入局部最小解。(3)提出了一种新的SLAM算法框架,利用基于PointNet++&ICP的里程计作为前端,以提高估计位姿的精度,利用Scan Context算法进行回环检测并将回环信号发送给后端进行全局优化,以消除前端PointNet++&ICP里程计的定位误差。实验表明,本文所提出的配准算法PointNet++&ICP对于不同类型的点云数据具有鲁棒性,能满足场景变化的要求且能快速收敛;PointNet++&ICP作为粗配准可以显著提高里程计的定位精度;由PointNet++&ICP里程计和Scan Context搭建的SLAM算法可以成功地进行回环检测,消除里程计的累积误差,进一步提升定位精度。