自动驾驶车辆是当前研究热点之一,导航定位是自动驾驶的重要组成部分。全球卫星导航系统(GNSS)具有定位无累积误差、全天候定位等优点,但GNSS存在工作频率低、多路径效应、信号失锁等问题。惯性导航系统(INS)具有数据更新快、短期精度高和稳定性好等优点,但存在累积误差大、长期精度差等缺点。激光雷达(Lidar)具有高分辨率、强抗干扰能力等优点,但受天气和环境影响大。利用各自优缺点,进行组合导航定位研究已成为主要方向之一。本文主要研究GNSS、INS和Lidar组合定位方式,利用Kalman滤波及信息融合处理给出的信息,实现连续的和精确的车辆位置;然后通过地图匹配技术,达到自动驾驶汽车高精度定位要求。本文主要完成以下工作:1、定位器相关算法研究。(1)介绍了自驾车框架及车载定位原理,分析了惯性坐标系、载体坐标系、地心地固坐标系和站心坐标系之间转换矩阵的求解;(2)对惯性导航系统的姿态、速度、位置算法进行了研究;(3)GNSS卫星导航算法及其位置估计算法研究;(4)研究了Lidar定位生成的三维点云坐标的计算、测距原理和Lidar/INS几何模型的搭建。最后定位器采用融合算法解算K时刻车辆的姿态,将此数据传输到地图终端并显示。2、Kalman滤波器算法的改进,降低了算法的空间复杂度和时间复杂度。(1)在时间复杂度方面,本文提出一种利用稀疏状态转移矩阵减少协方差矩阵预测方程计算量的方法。通过实验证明,改进方法一次迭代的CPU处理器耗时低于通常算法的10%;(2)在空间复杂度方面,本文提出了分块定位指针的矩阵转置算法,将转置矩阵的存储空间降低到51%。3、设计了基于地图的环境模型,进行实验研究。针对地图的空间失配问题,提出一种智能化算法,通过考虑车辆的历史轨迹和道路网络的拓扑信息来准确识别车辆行驶轨迹道路。其通过所有与定位系统和数字化地图数据库相关的信息源来确定行驶道路上的车辆位置。本文搭建了仿真实验平台,验证了Kalman滤波器及组合导航算法的可行性。同时在自动驾驶农机上进行了直线和曲线作业实验,验证了航位推算方法的准确性及有效性。