车辆定位技术是自动驾驶领域的关键技术之一,精确且鲁棒的车辆定位是实现自动驾驶的路径规划和控制的前提。由于激光雷达的测量不受光照条件和天气条件的影响,并且能够获得周围环境准确的距离信息,从原理上保证基于激光雷达的定位算法的精度,因此以激光雷达为核心传感器的定位与建图技术成为了绝大多数自动驾驶公司的方案。本文针对面向自动驾驶的以激光雷达为核心传感器的多传感器融合定位与建图算法展开研究。由于使用纯激光雷达的定位与建图方案无法解决环境退化、采样频率低等问题,所以该方案定位的鲁棒性、精度以及输出频率都无法满足自动驾驶面对各种复杂工况时的定位需求。采用的高频率的惯性测量元件作为辅助传感器能够在很大程度上的解决上述问题,基于激光雷达和惯性测量元件融合的定位与建图方案能够实现大多数场景的高精度定位,但是由于惯性测量元件的累积误差会随时间增加而快速增长,所以该方案的定位误差在激光雷达长时间退化的场景中会快速发散。本文在基于激光雷达和惯性测量元件融合的定位与建图方案的基础上,引入车辆底盘上的轮速传感器和方向盘转角传感器,提出了一种基于激光雷达、惯性测量元件和车辆传感器的多传感器融合方案。本文的主要研究内容如下:（1）为了有效的融合激光雷达和惯性测量元件的测量数据,需要提供准确的激光雷达和惯性测量元件的外参。本文根据机器人领域“手眼标定”的原理,求解激光雷达和惯性测量元件在空间中的外参。在求解外参之前,需要分别估计激光雷达和惯性测量元件的运动位姿,本文基于正态分布变换算法对激光雷达的运动位姿进行求解,然后再通过组合导航系统获取惯性测量元件的运动位姿。对于时间尺度上两种传感器的误差,本文利用卫星信号中的同步信号实现激光雷达数据和惯性测量元件数据的硬同步。（2）针对激光雷达里程计的计算效率不高和点云配准精度较低的问题。本文采用基于点云几何特征的激光雷达里程计,首先对原始点云进行体素滤波从而减少激光点数量,然后结合惯性测量元件的里程计信息去除点云畸变,再依次将处理后的点云进行聚类以去除噪点,然后分割点云并且提取点云几何特征。最后,将点云中提取的特征点和距离当前点云帧一定距离内的历史关键点云帧构成的局部地图进行配准,求解激光雷达的运动位姿。（3）为了提高算法的定位精度和鲁棒性,本文建立基于因子图的多传感器融合方案,对多个传感器的数据进行联合优化。首先对惯性测量元件的内参进行标定,并结合惯性测量元件的离散积分模型推导两个激光雷达点云关键帧之间的惯性测量元件预积分模型,惯性测量元件预积分将会用于约束点云关键帧之间的位姿并且为点云配准提供位姿初值。与此同时,本文基于二自由度车辆动力学模型和车辆底盘传感器的输入推导出车辆的纵向速度,侧向速度和横摆角速度,并对上述车速进行预积分,车速预积分将会用于约束两个点云关键帧之间的位姿,帮助消除惯性测量元件的误差。此外,为了消除算法长时间的累积误差,本文采用了一种基于降维点云的高效的回环因子检测方法,在两个回环点之间构建回环约束因子,用于消除两个回环点之间的累积误差。（4）最后,为了验证本文提出的基于多传感器融合的自动驾驶定位与建图算法的性能,本文通过自己搭建的数据采集平台采集了多种复杂的工况。并且对比了本文算法和其他算法的估计轨迹相对于地面真值的绝对轨迹误差和相对轨迹误差,结果表明本文提出的算法在多种复杂的场景下具有一定的定位精度和鲁棒性。相比于单纯使用激光雷达的定位与建图算法,或者激光雷达和惯性测量元件融合的定位与建图算法,本文提出的算法能够一定程度上提高定位精度和鲁棒性,并且在激光雷达长时间退化的环境中保持算法正常运行。