在无人驾驶汽车发展的过程中,SLAM(Simultaneous Localization and Mapping)技术为无人驾驶汽车实现定位和建图提供了可行的方案。单个传感器在SLAM过程中往往会受传感器本身特性和周围环境条件制约呈现出环境信息表达不足的弊端。本文提出了一种融合低成本传感器二维激光雷达和深度相机数据的方法,利用Gmapping算法结合激光视觉信息建立栅格地图,提高了SLAM建图算法的精度。同时在规划最优路径和运行时间两个方面改进了A~*路径规划算法。在建好的二维栅格地图里验证了改进A~*路径规划算法的有效性。主要的创新点和主要工作内容如下:建立车辆概率运动学模型,选取里程计运动模型用测量距离作为系统控制输入。根据激光雷达数据扫描的原理,建立建图算法所需的传感器观测模型。通过分析两种不同RGB-D相机的原理,对实验所用到的深度相机选型。对深度相机进行标定实验,获取相机内参。结合无人驾驶场景,用二维栅格地图来描述环境信息,并且推导分析栅格地图状态预测和更新的过程。将激光雷达采集到的数据进行滤波处理后和深度相机数据进行联合标定,得到激光雷达坐标系和深度图像坐标系点云的映射关系。设计仿真实验比较粒子滤波和扩展卡尔曼滤波在非线性系统中状态估计的误差,得出粒子滤波要比扩展卡尔曼滤波的状态估计结果更精确的结论。设计基于激光雷达数据和深度相机数据融合的Gmapping融合建图方案。针对传统A~*路径规划算法规划最短路径不是最优和运算耗时长的缺点,将传统的8个邻域扩展搜索方向的A~*路径规划算法扩展成为16个搜索方向和32个搜索方向规划更短路径和耗时更短。利用B样条曲线将规划的路径转折点进行平滑处理,进一步缩减最短规划路径长度。在ROS中利用Gazebo搭建融合建图算法和改进路径规划算法验证的仿真实验环境。分别使用单传感器和多传感器融合数据进行Gmapping建图实验,比较实验结果,得出融合激光视觉数据能提高Gmapping建图精度的结论。利用融合数据建好的二维栅格地图进行了传统A~*路径规划算法和两种改进A~*路径规划算法的性能对比实验,改进A~*路径规划算法能利用更少的运算时间规划出更短的最优路径。在搭建的Racecar小车平台上做了激光雷达建图和激光视觉信息融合建图的对比实验,再次验证了激光与视觉信息融合建图有利于提高建图精度。