近几年,得益于传感器和汽车行业的飞速发展,自动驾驶成为研究热点。定位和建图位于整个自动驾驶技术流程前端,在该环节做到相对稳定、准确的数据转换和位姿估计是自动驾驶中的关键任务。自动驾驶作业范围覆盖整个城市室外环境,路况较复杂,存在数据存储量大、地图维护困难和易受光照影响等问题,同时车辆运行速度需要满足用户正常用车需求,因此对算法的处理速度和自动驾驶系统的安全性都有很高的要求。针对以上问题和难点,本文以提高系统稳定性,减少计算量和存储量为目的,将上述问题拆分为基于语义信息的激光雷达-相机之间在线标定、构建轻量化语义地图、先验语义地图内的重定位三大子问题,并提出了解决方案。本文主要工作及研究成果如下:1.基于语义信息的在线标定:针对车辆频繁、无规律抖动导致的传感器之间外参变动的问题,本文提出了一种基于语义信息在线标定激光雷达和相机间外参的算法。该算法根据对点云和图像语义分割结果表征形式和检测精度的分析,构建了传感器之间的数据关联,设计了三种针对不同特征语义信息的误差。并利用帧间位姿实现了多帧点云间的重投影,提出了三种可以同时优化多帧外参的帧间优化器设计方案。在实际场景中进行了三种误差的消融实验和优化器方案对比实验,并对标定结果进行定量和定性分析,验证了该算法的有效性,且相比合作公司现有标定方法精度更高。2.构建轻量化语义地图:为了克服自动驾驶在大范围场景运行时,地图的存储量和维护性所面临的巨大挑战,本文提出了构建轻量化语义地图的算法。相比稠密地图,轻量化语义地图仅保存语义物体结构化信息。为了实现对全局车道线、标牌、灯杆的三维模型重建,所提出的算法使用激光雷达原始数据对图像语义检测的三维信息进行补充,恢复了关键点在全局坐标系下的坐标,从而构建了轻量化的语义地图。实验结果表明构建的轻量化语义地图具有较高精度,可用于后续重定位研究。3.先验语义地图内重定位:为了提高定位算法在复杂多变的场景中的鲁棒性和准确性,本文在离线构建的先验地图基础上,提出了基于语义信息的重定位算法。该算法结合惯性导航系统的初步位姿估计,设计了每帧语义检测结果与先验地图之间的关联方式。关联结果作为一种全局测量在优化器中对位姿估计进行更新,有效避免了传感器失效或稀疏场景下的位姿跳变,实现了车辆位姿的精确估计。在前文构建的先验地图上进行了精度和鲁棒性测试,该算法相比常见开源框架可取得更好定位结果。