近年来,汽车领域内的无人驾驶技术因计算机技术的突破而得到了快速提升,无人驾驶作为汽车领域内的一个重要分支,其在人机交互、主动安全等方面发挥了十分重要的作用。车辆的无人驾驶系统主要由三部分组成,其包括:感知、决策和控制,感知部分又是整个系统的核心之一,而关于车辆的定位技术又在感知环节中具有举足轻重的地位。车辆常用的定位方式采用全球定位系统,但其在高架桥下、高楼大厦两旁、地下停车场等场景下容易丢失信号。为了有效的解决无人驾驶车辆遇到的这类问题,依靠自身携带的传感器完成的定位技术得到了重视,比如:SLAM技术的应用。因此,本文深入研究了无人驾驶车辆的SLAM技术,并在传统电动车辆的基础上搭建了无人驾驶平台,以该平台建立环境地图并考察本文算法的定位效果。本文在深入研究视觉建图和激光建图的基础上,利用了激光雷达的点云数据辅助相机建图,主要的研究工作有如下内容:1.推导并说明了相机的成像模型,在相机的标定中使用了自制的黑白棋盘网格,并在相机标定的基础上完成了相机和激光雷达的联合标定,利用C/C++开发语言在ROS平台上完成了激光雷达的点云数据和相机图像数据的融合。2.改进了ORB-SLAM2算法在提取特征点时所设置的阈值方式,原算法中使用的阈值在不同的场景中需要手动调整,而本文在设置阈值时引入了局部自适应阈值方法。首先完成图像网格的分割;然后计算每个网格的图像对比度值,以该值为基础设置局部阈值并在每个独立网格中完成特征点的提取;最后恢复网格中的特征点在整个图像中的像素坐标并以四叉树结构保存。最终,在图像数据中得到了数量更多和更稳定的特征点。3.在里程计部分利用融合的点云数据完成了特征点的尺度估计并在相机的运动估计中构建了最小化重投影误差模型来优化3维点的投影位置误差,在优化相机位姿的这类问题中使用了Pn P的图优化,同时构建了BA优化的代价函数并在全局优化中使用了位姿图优化。利用词袋模型完成了两幅图像的相似程度的描述,最后进一步说明了在回环检测中的关键帧选择问题。4.在电动车辆的基础上搭建了测试平台并在校园的多种测试场景中分别采集了激光雷达的点云数据和相机的图像数据以及用来作为轨迹真值的高精度GPS位置信息。在完成了建图和定位工作后,以高精度GPS的位置信息来考察改进前后算法的定位效果。