近年来,随着人工智能、计算机视觉与传感器技术的飞速发展,无人驾驶技术逐渐成为移动机器人领域的研究热点。同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术是无人驾驶系统环境感知的重要组成部分,为实现无人车自主导航提供依据。本文针对校园环境内无人车的工作特点,实现了基于多线激光雷达的三维点云地图构建,并在构建的先验地图上实现了重定位技术。具体工作如下:1.实现了以16线激光雷达为唯一外部传感器的SLAM系统并优化帧间匹配。在前期帧间匹配部分,以原始迭代最近点(Iterative Closest Point,ICP)算法为基础,通过点到线迭代最近点(Point-to-Line Iterative Closest Point,PL-ICP)算法和点到面迭代最近点(Point-to-Plane Iterative Closest Point,PP-ICP)算法相结合的匹配方法提升了匹配的速率与精度,便于获取运动估计;在后期增量式构建点云地图过程中,通过当前扫描到历史地图的匹配方式对位姿进行修正,实现了对累积误差的进一步抑制,使用校正后的位姿将当前帧投影到世界坐标系下,拼接到历史地图中完成地图更新,实现点云地图的实时构建。2.提出了一种基于已有先验点云地图的重定位方法,确定无人车在地图中的绝对位置。针对先验点云地图远处点云稀疏和点云数量庞大的特点,对先验地图进行了基于统计的鲁棒滤波和体素网格滤波预处理。采用GPS模块实现了对无人车初始位置的预定位,通过直通滤波截取预定位附近20*20*20 m规模的点云,作为被匹配点云。16线激光雷达实时测量数据作为待匹配点云,使用正态分布变换(Normal Distribution Transform,NDT)算法在被截取点云中进一步定位,获取无人车在先验点云地图中的精确位置。3.通过在真实环境中的实验对SLAM系统和重定位方法进行了测试:(1)在校园环境下成功实现了实时定位与地图构建,验证了SLAM系统的实时性与可行性;(2)将SLAM系统输出的车体轨迹与载波相位差分(Real Time Kinematic,RTK)定位系统输出的轨迹对比,证明了SLAM系统的准确性与稳定性;(3)将构建的点云地图作为先验地图,无人车随机放置于地图中的某处,完成重定位实验,表明了本文提出的重定位方案的有效性。