自身姿态估计是大多数移动机器人应用的基本要求,单目每个传感器都有自己表现不好的场景。通过传感器融合,可以弥补单一传感器的不足,并提供更可靠的估计值。本文提出了一种激光雷达、惯性测量单元IMU和轮速计等传感器紧耦合的新方法,可实现机器人实时六自由度姿态估计,可用于室外移动机器人的高精定位和建图,能够以较高的更新频率输出精确的状态估计值。通过联合最小化激光雷达、轮速计和IMU测量值的代价函数,激光雷达-轮速计-IMU里程计在长期运行后产生的漂移依旧在可接收范围内,即使在有挑战性的情况下也是如此,如激光雷达测量值退化。利用轮速计的速度测量值替代惯性测量单元IMU的加速度计,整个系统更加的稳定,获得了更可靠的激光雷达位姿估计值。实验结果表明,即使在快速运动条件下或特征点不充足的情况下,所提出的方法也能够高精度估计传感器对的位姿,并且是以IMU更新的速率输出。本文经过地面优化,因为它利用了地平面的细分和优化步骤。首先应用点云分割以滤除噪声,然后特征提取以获得独特的平面和边缘特征。然后采用基于贝叶斯估计的图优化方法来融合多传感器。笔者将本方案与最先进的方法LOAM,使用带有地面车辆的可变地形环境进行对比试验,并显示本方法可以在减少计算费用的同时达到相似或更高的准确性。本文还整合了 GPS进入SLAM框架以消除由漂移引起的姿态估计误差,使用了 KITTI数据集进行了测试。本文提出将3D激光雷达,惯性测量单元（IMU）和轮速计等多种传感器做信息融合,用紧耦合的方式做状态估计,考虑到lidar-轮速计-imu的先验信息,提出了一个旋转约束细化方法进一步优化最终的位姿和生成的点云地图。这保证了估计值的一致性和鲁棒性,即使是在lidar退化的情况下。本文的主要研究成果包括:1.建立了统一的基于激光雷达的多传感器的SLAM后端图优化框架。在激光点云特征提取时,先将地面进行提取滤除并将激光雷达帧与帧之间匹配的约束构建误差函数,推导出了此误差函数关于待求解优化变量的雅克比矩阵,从而可以利用基于图优化的后端优化框架求解。2.采用了基于预积分的优化框架。提出了惯性测量单元（IMU）和轮速计（Odo）的组合数据作为激光配准的先验,并将其积分结果与估计值做差得到误差函数一起加入一个统一的后端优化框架下。3.将GPS作为可选项加入后端优化框架,坐标系转换是使用东北天坐标系,利用GPS的位置信息进行约束,构建了相应的误差函数,由此可以得到机器人的全局位置。4.设计出了一套比较完整的基于激光点云注册配准的融合多传感器的SLAM系统,可以选择性的添加需要的传感器,可满足室外移动机器人实时定位和高精建图的需求。