高精度定位是智能驾驶中承前启后的关键技术,随着人工智能、计算机技术和信息技术的快速发展与迭代,车路协同成为高精度定位的另一个研究热点。非结构化场景具有大量树木遮挡、环境特征零散杂乱且多为非结构化特征,缺乏标准道路信息等特点,无法良好地实现高精度定位,尤其在横向运动区域定位误差大。为了更好地解决该问题,采取车路协同定位方案,利用车载激光雷达、IMU和路侧双目摄像头,结合多传感器融合技术实现高精度定位。首先,阐明定位系统模型和多传感器融合理论。介绍四种位姿表达方式及变换关系,搭建运动学模型和多个传感器的观测模型,并阐述每个传感器、车辆与地图坐标系的坐标变换关系,最后介绍文章所涉及的多传感器融合理论基础。其次,提出适应非结构化场景的GA-HR配准算法,并结合IMU实现车载激光里程计。利用直通滤波、体素滤波和离群点滤波,作三维点云滤波处理,并提出基于双法线约束改进的RANSAC地面点云分割。对比分析NDT与ICP在非结构化场景的配准效果,提出GA-HR配准,利用地面点云的NDT配准优化初始位姿,以全局点云的NDT配准为粗配准,提取非地面点云的点云簇,将正确匹配点云簇的局部配准结果作为遗传算法的初始种群;结合编码方式,利用局部配准变形误差、欧式距离误差、点云重叠率和相对稠密率构建局部配准置信度,以遗传机制迭代求解最优配准结果。进一步地,利用IMU消除点云畸变,并作初始位姿预测,结合GA-HR配准算法实现车载激光里程计。然后,提出基于多传感器的双层融合协同定位。路侧双目摄像头基于Stereo R-CNN作三维目标检测,利用运动模型实现车辆位姿观测量的同周期发布。下层为两个并行的位姿估计,基于双地图的3D AMCL位姿估计扩展至三维点云,根据粒子位姿得分的短期估计与长期估计切换地图,及时消除车载激光里程计的累积误差,并将里程计位姿转换至地图坐标系;基于PDA的EKF位姿估计消除路侧摄像头的虚假目标,减小观测误差,实现目标跟踪。上层为全局最优估计,同时将全局位姿和协方差实时反馈至多个位姿估计以实现自适应调节。最后,利用搭建的实验平台作算法的实验分析。实验平台搭建包括硬件系统构建和软件架构设计,并在实验平台上开发与验证多传感器同步算法,包括时间同步、激光雷达与车辆的半自动空间同步、激光雷达与IMU的自动空间同步和路侧摄像头在地图的空间同步。在非结构化场景中对比分析多种定位算法,实验表明,车载激光里程计的配准时间介于NDT与ICP之间,定位精度优于NDT与ICP;双层融合协同定位的定位精度为0.191m,航向角精度为2.303°,相比于车载激光里程计、3D AMCL和集中式融合协同定位在精度与稳定性上有大幅度提升;随着路侧摄像头数量的增加,定位精度可以达到6.6cm。基于车载多传感器与路侧摄像头的车路协同定位,解决了非结构化场景中尤其在横向运动区域定位误差大的问题,对智能驾驶的路径规划和控制有良好地理论和实践意义,有利于提升智能网联交通系统的功能鲁棒性与系统安全性。