汽车作为常用的交通工具,为人们日常生产生活带来极大便利的同时,也存在安全性不强、效率低下、燃料消耗严重等诸多问题。自动驾驶技术的研究已经成为当今汽车行业的热点与趋势,尤其对在室外相对复杂环境中实现车辆的自主运动并完成一些既定作业任务的研究,能够使其在交通运输等领域发挥更大的作用并实现更高的价值,并可有效缓解上述问题。近年来,自动驾驶技术在封闭园区场景的发展呈现上升态势,诸如港口、工厂园区等相对封闭区域凭借其车辆行驶路线固定、环境单一等特点,成为实现自动驾驶技术商业化落地的热点场景。自动驾驶车辆通常需要具备环境感知、自主定位、规划决策和车辆控制等能力,其中自主定位能力是自动驾驶车辆能够实现复杂环境下自主运动的重要基础。目前多数自动驾驶系统采用基于全球导航卫星系统/惯性导航系统（Global Navigation Satellite System/Inertial Navigation System,GNSS/INS）的定位方法,该方法依赖远距离在轨卫星的无线电信号,在弱GNSS信号封闭园区中的定位精度无法保证。且INS依靠惯性测量单元（Inertial Measurement Unit,IMU）进行定位,具有定位误差随时间发散的固有缺陷。近年来,基于同时定位与地图构建技术（Simultaneous Localization and Mapping,SLAM）的定位方法因其低环境敏感性等优势逐渐成为研究热点,且基于激光雷达（Light Detecting and Ranging,LiDAR）的SLAM技术受光照影响较小,具有高度复杂环境中定位鲁棒性高的特点,有助于解决自动驾驶车辆在封闭园区中采用GNSS/INS进行定位时因信号强度不稳定导致的误差发散等问题。但现有仅基于LiDAR的SLAM技术因初始值不准确、特征点提取不稳定、垂直方向误差较大和易陷入局部最优等问题,在封闭园区环境中的定位精度和鲁棒性无法满足实际应用要求。为此,本课题采用多传感器融合定位方案,以封闭园区内基于LiDAR/IMU紧耦合的自动驾驶组合定位方法为研究对象,采用基于可变邻域和特征分类的LiDAR特征点提取方法提取稳定且代表性强的高效特征点以充分保证激光里程计定位精度。基于预积分策略对IMU数据进行处理以保证利用IMU数据所估计位姿的准确性,同时提高系统实时性。以及基于紧耦合策略的LiDAR与IMU数据融合方法,并利用车辆运动学模型约束车辆位姿以提高封闭园区场景下自动驾驶定位系统的精度和鲁棒性。首先将激光里程计分为特征提取和点云配准两部分进行设计。特征提取部分采用基于可变邻域策略确定纠偏后点云的特征点提取邻域,在设置特征提取阈值的基础上提取一定数量的特征点并根据曲率对所提特征点进行分类以使其表示不同类型特征。点云配准部分通过KD树搜索所选特征点的对应点,基于距离表示特征点和对应点间的相对关系以构建相邻时刻间自动驾驶车辆的位姿变换残差,从而得到可靠性较高的激光里程计。然后构建IMU位姿估计模型。以LiDAR测量时刻为时间基准对IMU数据进行预积分,并利用旋转约束方法估计IMU随机游走,同时在充分考虑IMU噪声和预积分量间误差传递关系的基础上构建基于IMU数据的车辆位姿估计残差。其次构建车辆运动学位姿预测模型。基于传统二维车辆运动学模型,利用系统状态量构造模型输入量,通过平面几何、阿克曼转向原理和运动学方程等构建三维车辆运动学位姿预测模型并在此基础上得到预测残差,从而实现相邻LiDAR测量时刻间自动驾驶车辆的六自由度位姿预测。为避免时间偏移对定位精度和可靠性可能造成的负面影响,进一步讨论了基于补偿优化的多传感器时间同步方法,将LiDAR和IMU的时间偏移补偿作为附加状态量并与系统其他状态量进行联合优化,基于GNSS授时并在考虑算法运行时间的基础上对不同传感器数据进行同步以得到精确的融合时间估计。同时在各传感器时间精准同步的基础上基于紧耦合方法对激光里程计、IMU位姿估计模型和车辆运动学位姿预测模型数据进行以LiDAR测量时刻为时间基准,以IMU坐标系为空间基准的多模块数据融合,并将各模块残差进行联合非线性优化,从而得到封闭园区场景下高精度、鲁棒的定位结果。最后,开展了基于封闭园区场景数据的实车试验与结果分析。通过自动驾驶试验平台车采集多组封闭园区场景的传感器数据,并根据试验结果从三方面对三种不同定位方法进行对比分析,充分验证本文定位方法的有效性。试验结果表明,与目前主流的纯激光定位方法A-LOAM和不添加车辆运动学模型的LiDAR/IMU紧耦合定位方法相比,辅以车辆运动学额外约束的LiDAR/IMU紧耦合定位方法能得到更高精度、更稳定的鲁棒定位结果。