无人车作为下一代汽车的发展方向,吸引了越来越多的汽车、科技公司参与研发。无人车要想实现完全自主地在环境中行驶,除了精确的环境地图必不可少之外,准确的定位也是无人车能够导航以及路径规划的基础。现有的地图,如栅格地图由于其所需存储空间大以及相关计算复杂度高等原因,不适用于大型环境。目前,基于粒子滤波器进行同步定位于地图创建是自动化建立环境地图的主流方案,但是粒子的数量限制了粒子滤波器的精度。经典的GPS定位系统容易受环境中树木、建筑以及桥洞等障碍物的遮蔽时,会造成信号缺失或误差突然增大的情况,定位的不稳定性会影响无人车的安全。为了解决上述问题,本文从以下三个方面展开研究。(1)研究如何使用线段特征来描述环境信息,主要研究线段特征的提取方法。现有的线段特征提取算法有IEPF(Iterative End Point Fit)、霍夫变换等。IEPF算法有两个主要缺点,首先,线段分割的阈值难以确定,阈值太大会出现欠分割的问题,阈值太小会出现过分割的问题。其次,IEPF对噪点比较敏感。霍夫变换的缺点在于计算量大、容易提取出相似特征以及提取出的线段特征参数不够精确。本文提出的线段特征提取方法分为三个步骤,首先利用霍夫变换确定主要存在哪些线段特征以及哪些点云数据在这些线段特征上,然后通过深度搜索霍夫投票箱的方法合并相似的线段特征,最后使用最小二乘法拟合获得精确的线段特征参数。通过实验分析表明,本文提出的方法可以有效提取线段特征,并具有良好的抗噪能力。(2)研究如何使用SLAM(Simultaneous Localization And Mapping)创建环境的线段特征地图。近年来,基于RBPF(Rao-Blackwellised Particle Filter)的SLAM是当前SLAM研究的热点,传统的RBPF-SLAM不适用于特征地图的创建,而且粒子的数量直接影响算法的准确性,但是粒子数量过多会导致运行所需的存储内存以及计算量增大。本文在RBPF-SLAM算法步骤的基础上,添加构建局部线段特征地图步骤,同时在地图更新步骤将局部线段特征地图补全到全局特征地图中实现特征地图构建。在采样步骤,首先使用无人车里程计数据预估出位姿并提取该位姿附近的局部特征地图作为模板,使用传感器观测数据提取出的观测特征子图在模板内匹配得出无人车位姿并在该位姿周围采样得到新的粒子。通过实验分析表明,相比GMapping,本文提出的方法在使用较少粒子的情况下可以达到相同的精度。(3)研究如何使用无人车传感器对环境的观测数据,在已创建的线段特征地图上进行定位。现有的特征地图定位研究中,基于EKF(Extended Kalman Filter)的定位方法需要进行数据关联,且需要提供一个准确的初始位姿。基于马尔科夫的定位方案在时间更新阶段无人车以非整数栅格大小移动时导致误差累积的问题,针对这个问题,本文提出一种基于栅格-信度映射关系连续化的时间更新模型,首先将将离散的栅格-信度映射关系连续化,然后将连续化曲面与无人车做相同位移后在每个栅格上进行积分得到新的栅格信度。通过实验结果分析,该方法可以有效估计无人车的位置信息。