定位是自动驾驶的基本模块之一,精确和可靠的定位模块对自动驾驶来说至关重要。为了满足无人驾驶的要求,定位精度应该达到厘米级别,并且必须达到亚度姿势精度。经典的定位流程通常包括以下几个方面,包括在线激光点云与离线激光点云的特征提取,特征匹配算法、异常值排除步骤,匹配损失函数,空间搜索或优化方法以及时间优化。与经典定位流程不同的是,对于激光点云的特征提取、代价聚合、时序平滑以及动态障碍物的剔除,分别使用不同的网络结构。主要研究内容及创新点如下:（1）提出了一种基于深度学习的点云匹配算法,在此基础上提出了一种端到端的联合语义分割和定位框架,以使用激光点云特征匹配来计算车辆的位置和方向同时进行动态障碍物的剔除。通过前一阶段的特征提取,使用点加权层选择了最重要的适合于定位任务的N个点作为质心点;然后,使用Point Net对质心点的局部邻域的某些最有用和最有效的统计属性进行提取。（2）提出了一种新颖的3D损失量级联公式。建议的损失量是建立在激光点云多分辨率分组的几何结构和上下文逐渐细化的基础上的,通过前一阶段的预测,可以缩小每个阶段x,y和ψ维度的离散空间每个维度数量的范围,显著提高了定位精度并有效的减少计算时间和内存消耗。相比于L3Net在使用KITTI数据集时,时间与内存分别下降了21.22%与21.43。（3）由于网络架构是由不同的模块集成到一起的,能够轻松的修改或替换不同的模块结构以达到更高的要求。最后,基于仿真软件LGSVL与Apollo进行实验验证与优化,并利用LGSVL与Apollo获得的结果与其它定位算法进行了比较,全面验证了所提方法的有效性。实验表明,对于不同类型的点云,本文提出的匹配算法是有效的,能满足场景变化的要求且能快速收敛;语义分割模块能够剔除动态障碍物防止其对定位造成干扰;点加权层的使用得到了最重要的适合定位任务的N个质心点;级联损失量的提出有效的缓解了使用深层神经网络造成的时间与内存消耗过大的问题,这允许尝试不同的网络结构以达到更高的定位精度。