车辆的自主定位是汽车自动驾驶的关键技术之一,对于实现车辆行驶的路径规划和决策控制具有重要的作用。近年来,基于静态环境假设的激光里程计定位方法在室内自动导航场景取得长足进展。然而,对于自动驾驶车辆的行驶工况,室外动态场景存在移动物体多和几何特征少等问题,限制了现有激光里程计的定位精度和应用范围。针对自动驾驶车辆在城市道路行驶工况的定位需求,提出了一种基于语义融合的激光里程计定位方法。论文的主要研究内容如下:首先,针对激光里程计在动态场景下,容易受几何特征退化影响而产生定位漂移的问题,提出了一种基于道路元素后端约束的语义激光里程计（Semantic Li DAR Odometry,S-LO）。通过改进栅格地图占据概率的更新公式,实现动态点的自动过滤,以消除移动物体对点云配准的影响;基于点云聚类算法实现道路元素识别方法,用杆、牌状静态物体的语义特征代替点、线类的几何特征进行匹配,从而避免特征退化问题;最后,基于余弦相似度进行语义后端约束的构建,校正里程计的漂移误差。在公开数据集KITTI上进行实验,结果表明:1)在静态、特征丰富的乡镇道路场景中,所提里程计的整体定位效果与对比方法接近但误差标准差更小,具有更好的全局一致性;2)在动态的高速公路场景中,对比方法产生了定位失效,而所提算法能够持续提供定位结果;3)所提算法平均帧率为12.55Hz,耗时稳定性受前端里程计和语义特征提取环节的影响,波动较大。其次,针对激光里程计在城市工况中对车辆旋转运动的鲁棒性不足、长距离持续定位性能差的问题,在所提语义激光里程计（S-LO）的基础上,提出一种基于Li DAR与IMU松耦合的语义融合定位方法（Semantic Li DAR-IMU Odometry,S-LIO）。使用惯性预测位姿补偿点云畸变并作为里程计初始位姿;使用里程计位姿消除惯性积分时间过长产生的漂移,提高整体定位性能。为了验证所提方法的有效性,使用搭载了32线激光雷达与惯导设备的测试车辆在某城市道路进行数据采集和定位实验。实验结果表明:1)行驶距离为1524m的终点定位误差从11.17m下降至2.96m,验证了融合框架有效性;2)在特征较为丰富的静态场景中,整体定位性能与对比方法相近;而在动态环境中,所提方法在5023m的终点漂移误差仅为0.642%,证明其城市道路场景的整体定位性能高于主流方法。