随着无人驾驶行业的兴起,与无人驾驶相关的技术成为国家和企业竞相研究的热点。在复杂的交通环境下,准确的感知和定位是完成无人驾驶任务的前提和保证,但在隧道或者树木、高楼林立的复杂城市道路中,GNSS（Global Navigation Satellite System）的信号会受到遮挡导致车辆定位不准确,为了保障无人驾驶的安全性,同时定位与地图构建技术（Simultaneous Localization And Mapping,SLAM）可以利用车载传感器确定自身位姿和周围环境信息。本文以SLAM算法框架为背景,主要研究多传感器融合的无人车建图和定位问题,作者提出了两种算法融合框架,即基于激光雷达和惯性导航（Inertial Measurement Unit,IMU）的融合算法框架与基于Lidar-IMU-Camera融合的算法框架,在开源数据集KITTI、香港城市数据集Urban Nav和实车上进行试验验证,旨在提高无人车在密集、封闭、存在多路径效应的复杂城市道路下的建图质量和定位精度。本文首先提出了一种基于激光雷达和惯性导航相融合的算法（Lidar-IMU系统）,在数据预处理阶段,IMU数据信息对每一帧的激光点云位姿做线性插值计算,前端采用松耦合的融合方式,采用IMU的预积分信息去除激光点云的运动畸变以提高相邻两帧点云的配准精度,在后端采用紧耦合的融合方式,基于误差状态卡尔曼滤波将IMU的残差项与激光点云同局部地图匹配的残差项联合优化,获得位姿信息,采用基于激光雷达的回环检测优化全局位姿信息。将Lidar-IMU算法框架在开源数据集KITTI和香港城市数据集Urban Nav上进行验证,并分别与基于单一传感器激光雷达的建图和定位算法进行对比,结果表明,本文算法可以有效的降低地图漂移,提高地图分辨率,能够输出更加准确的行驶轨迹信息。基于Lidar-IMU融合的算法框架,较于单一传感器激光雷达的建图和定位算法,在建图和定位精度上得到良好的改善,但是考虑无人驾驶安全性上来说,误差还是过大,为了进一步提高定位和建图的精度,本文提出了一种基于Lidar-IMU-Camera融合的算法框架,采用误差状态卡尔曼滤波对Lidar-IMU里程计信息与视觉里程计信息融合,进而获得更加准确的位姿信息,为了降低计算量,本文采用轻量化的单目视觉里程计模型,并结合Lidar-IMU系统对单目视觉进行初始化,视觉里程计信息作为激光里程计的初始值,利用视觉词袋模型做回环检测,并将检测的结果作为初值,由激光雷达回环检测进一步优化位姿信息,进一步降低整体累计位姿误差。本文算法采用并行运算的方法,当单目视觉系统或Lidar-IMU系统被检测到失效,另一个子系统还会继续工作,提高传感器退化的鲁棒性。将Lidar-IMU系统与基于Lidar-IMU-Camera融合的算法框架在开源数据集和实车试验中进行验证均获得较好的结果。本文以提高无人车在复杂交通环境下的建图和定位精度为研究背景,所做工作的贡献主要在于:（1）提出两种多传感器融合的算法框架,并提高了无人车在复杂交通环境下的建图与定位的精度,且算法所用时长要优越其他开源算法;（2）搭建试验平台,对算法进行实车试验,获得较好的建图与定位效果。通过提出的多传感器融合框架为无人车在复杂交通环境下的安全驾驶及后续路径规划、决策控制等功能模块提供准确的地图和定位保障,并为实现高级别智能驾驶提供基础。