近年来,因人工智能技术的日趋成熟,自动驾驶已成为汽车领域的研究热点,引领汽车行业发展浪潮,各大汽车制造厂商以及互联网企业纷纷入局并在特定园区场景中进行技术测试与应用,推动自动驾驶商业化进程。自动驾驶系统主要包括环境感知、定位导航、规划决策以及运动控制等模块,其中,定位导航模块为决策和控制模块提供准确、实时的车辆位姿估计信息,是自动驾驶系统不可或缺的重要组成部分。目前自动驾驶系统大多利用GNSS/INS实现高精度实时定位,但在园区场景中GNSS可能会受遮挡、多路径效应等因素影响,导致定位出现偏差,无法满足园区自动驾驶的准确定位需求。近年来SLAM技术的发展为解决上述问题提供了新思路,有望复用自动驾驶系统的现有传感器实现遮挡环境下车辆准确定位。但将现有SLAM技术应用于封闭园区的自动驾驶定位系统中,还存在特征点提取不稳定,位姿优化易陷入局部最优,以及累计漂移较大等问题。为此,本课题以封闭园区的自动驾驶激光定位系统为研究对象,采用双邻域特征提取策略获取稳定的角点和平面点,辅以车辆运动学模型约束缩小位姿优化空间,并利用回环检测减小车辆位姿累计漂移,旨在提高封闭园区场景下自动驾驶激光定位系统的准确性和平顺性。本文主要研究内容如下:（1）基于车辆模型约束的激光定位系统架构设计。通过方向盘转角传感器和轮速传感器获取车辆速度及角速度信息,并利用车辆运动学模型构建车辆位姿变化约束,同时,利用多线激光雷达获取环境信息,通过点云数据关联构建激光里程计残差。基于激光里程计残差和车辆模型约束,联合构建定位系统代价函数以实现位姿紧耦合优化,并利用点云局部曲率信息定义全局描述符以完成回环检测,减小位姿累计漂移。（2）基于多源融合的车辆运动学模型算法设计。利用轮速传感器获取车辆纵向速度的同时通过方向盘转角传感器获取方向盘转角信息,并计算出车辆横摆角速度。基于上述车辆底层数据,通过车辆运动学模型预测车辆状态并根据预测值构建车辆模型约束。车辆运动学模型提供的位姿变化约束可在梯度下降的优化过程中引导梯度方向,缩小优化空间,从而提高激光定位算法的准确性和平顺性,利于环境感知以及路径规划。（3）基于双邻域曲率特征的激光里程计算法设计。矫正点云运动畸变并进行滤波操作以获取利于匹配的激光点云数据,依据邻域点信息计算点云局部曲率并采用双邻域特征提取策略获取稳定的角点和平面点。基于固定帧数对应特征点云构建局部地图,通过当前帧所提取特征点云与局部地图匹配获取激光里程计残差。利用车辆运动学模型为ICP算法提供良好匹配初值的同时采用欧式距离、局部曲率以及点云强度相结合的策略剔除错误点对,保证匹配算法精度。（4）基于局部曲率的激光回环检测算法设计。基于固定帧数间隔确定关键帧,依据距离和时间信息获取候选回环帧,利用局部曲率构建点云全局描述符,并根据离散Wasserstein度量计算候选回环帧与当前帧的相似性。根据相似性确定回环帧后构建该帧对应局部地图,通过当前帧与局部地图匹配获取车辆优化位姿。基于时间一致性与空间一致性验证回环的准确性,计算车辆位姿累积漂移并利用插值算法更新历史位姿,从而有效减小位姿累积误差。（5）基于封闭园区数据的实车验证。通过自动驾驶平台车和机器人操作系统软件平台采集多组园区数据,并根据试验结果进行对比分析,充分验证激光定位算法有效性。试验结果表明,与目前主流的激光定位算法ALOAM相比,基于车辆运动学模型约束的激光定位系统能够提供更加准确、平滑的车辆定位信息。