现代工业的发展和人工智能技术的不断进步,使机器人和无人驾驶技术受到人们的广泛关注,在无人驾驶定位导航系统中,目前主要涉及激光SLAM(Simultaneous Location and Mapping)与视觉SLAM两种系统,激光SLAM采用2D或3D激光雷达,2D激光雷达多用于室内机器人设计,3D激光雷达则在无人驾驶领域应用较广。目前为止,激光雷达的出现使测量更快更准,信息更丰富。激光雷达采集到的物体信息是一系列分散的、具有准确角度和距离信息的点,称为点云。通常,激光SLAM系统的前端需要对激光三维点云数据进行连续帧匹配,从而获得机器人或者车辆位姿。在帧匹配的过程中,往往会移除掉小型和动态物体点云,保留大型的建筑物点云,这种匹配方法在拥有大型建筑物的场景中精度较高,但在郊区或缺少大型建筑物的场景中会造成漂移现象,导致重建激光点云的重叠与失真。本文针对缺少大型建筑物或大型建筑物特征不明显的场景中点云帧匹配漂移问题,提出了一种单帧激光点云到整体模型的配准方法,利用点对点、点对线相结合的方法进行帧间匹配。传统SLAM系统在移除掉点云数据中的小型物体过程中,往往删除了树木点云信息,本文的采样策略是在移除掉移动的车辆、行人等小型物体的情况下,利用欧几里得聚类对树木点云的特征进行提取,利用树木点云的特征进行匹配,有效提高点云配准精度。为了防止地面点云数据对移除小型物体实验的影响,通过一种改进的随机采样一致性(RANSAC)算法进行地面点云分割,该算法以平面点云法向量相互平行作为约束条件,并结合非曲线曲率为零的特点,在提取平面点云的效率和正确率方面有较好的效果。采用激光雷达扫描真实场景获得点云数据,以选取的坐标系中心为原点,利用最小二乘法求得每个点的法向量,并计算扫描点云滚转、俯仰、偏航和位置转换信息,利用MATLAB提取需要的采样点,这些采样点包含需要的点信息。使用已经定位好的激光点云数据作为模型,结合提取的树木点云中包含的线信息对传统ICP算法进行了改进。利用Velodyne的16线激光雷达扫描的真实场景点云数据进行匹配测试且不使用任何回环检测方法,匹配结果显示添加了树木信息约束的匹配算法精度得到了明显改善和提高。