随着无人自主系统的发展,室外无人平台的高精度导航问题越来越受到人们的关注。目前主流方案是利用高精度地图和GPS/INS完成定位和导航,但是高精度地图的构建需要有高精度的位姿信息,并且在一些特殊环境中有时候无法获取GPS信号,而且GPS的精度也不足以达到高精度建图和导航的要求,因此这时就需要借助SLAM方法来解决上述问题,一种可行的方案是利用激光雷达传感器实现无人平台的定位和高精度地图的构建。目前基于陆地环境的激光SLAM方法已经较为成熟,但是针对复杂的、非结构化的地面/水面复合环境(例如港口、大坝、桥梁等)尚缺乏一种较好的方案。本文针对基于激光LIDAR的面向多应用场景的无人平台LIDAR里程计与高精度导航方法进行了深入研究,具体内容如下:针对多应用场景中无人平台的长距离精确定位问题,本文提出了一种实时的3D激光里程计(S4OM),该里程计构建了定位和校正两个节点,其中定位节点通过将改进Super4PCS和标准ICP相结合,实现了从粗到精的位姿解算,并以较高频率(5Hz)输出定位信息;校正节点则构建了一个动态体素网格存储结构的局部地图,加速了关键帧与局部动态地图的NDT匹配过程,从而以较低频率(1Hz)对定位节点进行校正以获取更为精确的定位结果。本文所提出的S4OM里程计系统可以不依赖于GPS、惯导等外部设备的辅助,在地面/水面多应用场景中都可以达到1%左右的定位误差,具有较好的鲁棒性和稳定性。不同于二维视觉图像,三维激光点云具有点排列无序、分布不均匀、噪声多等特点,因此目前针对于激光LIDAR的地点识别及回环检测研究相对较少。本文提出了一种基于随机森林模型的三维点云地点识别及回环检测方法,对于基于三维点云的地点识别问题,本文构建了由几何特征和直方图特征组成的多模态特征向量用于随机森林分类器的训练和构建,并将采集的环境点云与地图节点输入到分类器中实现地点的识别。之后本文将上述地点识别方法应用到了无人平台的回环检测中,将基于位置关系和基于随机森林模型的回环判别方法进行了融合,并在回环判别后加入了几何验证,通过点云重叠率筛选出真实回环。最后通过实验证明本文方法具有较好的准确性和鲁棒性。在上述研究的基础之上,本文将S4OM里程计和基于随机森林模型的回环检测方法相结合构建了一种基于图优化框架的3D激光SLAM算法(S4-SLAM)。算法由前端里程计(S4OM)、回环检测和后端优化三个部分组成,其中里程计可以以较高频率输出无人平台的位姿信息,并以1Hz的频率采集用来构建位姿图的关键帧,当回环检测算法检测到无人平台的行驶轨迹构成一个回环时进行全局的位姿图优化,从而使无人平台的行驶轨迹更加接近于真实的轨迹并提高建图的精度。最后本文结合前面的地点识别算法和NDT匹配算法实现了无人平台在高精度地图中的全局定位,验证了本文所构建的高精度地图在无人平台导航应用中的可行性。基于上面的研究本文利用KITTI数据集进行了实验分析和验证,在KITTI Odometry网站上进行了评测,并以装配有激光LIDAR、GPS、惯导等多种传感器的轮式无人车和“精海3号”无人船作为实验平台,对本文提出的面向多场景应用的无人平台LIDAR里程计及高精度导航方法在海港、校园等实际环境中进行了广泛的实验验证,其结果表明了本文方法的可行性和有效性。