道路线形设计的目的是让车辆能够在路线上安全、稳定、经济、舒适地行驶,运营道路的定期养护维修以及年久道路的改扩建工程都依赖于道路线形指标数据。但是由于设计资料缺失,使得线形指标获取困难,无人驾驶中的实时定位与地图构建模块解决了这一难题,其能够在不依赖大量人力的情况下,实时对车辆位姿状态进行定位。基于此算法,在取得位姿状态的基础上,对道路线形进行安全评价,为道路线形的智能评价提供了一种思路。主要研究内容如下:研究视觉SLAM（Simultaneous Localization and Mapping）的基础框架,在双目相机模型中,具体阐述了成像原理、测距等问题;相机刚体运动中的李群、李代数则是视觉SLAM的数学基础;对极几何原理、Pn P原理则是求解车辆位姿估计的核心内容。针对ORB-SLAM2的跟踪模块,在特征提取阶段,利用ORB特征点提取特征分布均匀、可重复性强的特点替代FAST特征点;在特征匹配阶段,利用快速邻近算法实时性强的特点替代暴力匹配。针对局部建图模块,将跟踪模块中的关键帧插入列表,构建全新的地图点,并用光束法平差剔除冗长的关键帧。进行道路SLAM实验,得到车辆关键帧处的位姿信息。在特定步长下,提出计算道路线形指标与欧拉角变化以及车辆三轴方向位移变化的算法,并比对相同步长下实验值与真实值的误差,不同步长下相同线形指标的误差,分析筛选最优数据作为线形评价的初始数据。根据设计速度以及路面类型,获悉平面圆曲线的最小半径、横断面路拱横坡的标准值、纵坡最大值以及竖曲线的最小半径,以评价道路安全性;根据车辆在设超高路段转弯的情况下进行受力分析,推导出横向力系数、横向加速度、竖向加速度、轴向加速度与平曲线半径、竖曲线半径、横坡度及纵坡度这求解已知的道路线形指标的联系,以评价道路舒适性;根据车辆在Frenet框架下,将车辆运动在笛卡尔坐标系下转化至车辆坐标系,推导空间运动方程,得到曲率在可取值范围内的范围值,以评价道路连续性。