自动驾驶作为汽车工业发展的新潮流,其需要解决的一项重大问题就是车辆的定位问题。本课题主要研究了无人车在未知环境下仅运用激光雷达采集环境数据,通过点云进行自身位置的确定,并完成全局地图的构建。这就是实时定位与地图构建。首先,本文利用百度Apollo平台的自动驾驶试验车进行数据采集,并对激光雷达数据进行等时间间隔采样、VoxelGrid体素滤波以及地面信息分割预处理,以降低点云数量,为算法减负。然后,将预处理后的点云数据进行匹配。第一步是利用主成分分析法对点云进行粗略配准,为精准匹配提供一个合适的初值;第二步是利用迭代最近点算法进行精确配准,估计旋转矩阵和平移矩阵;第三步是在上述估计结果的附近按照高斯分布撒点,完成粒子更新。最后,按照特征值的大小规律可将点云结构特征分为离散、线性和平面结构,并分别建立高斯混合模型,利用EM算法对权重等参数进行求解。然后对粒子包含的局部地图与全局地图的重叠区域进行栅格化处理,将具有相同结构特征的栅格数与总栅格数的比值作为重要性权值来衡量粒子质量。将最优粒子包含的局部地图加入全局地图,完成地图构建。经过实验分析,本文研究的算法可以对无人车进行实时定位,并能构建出清晰的环境地图。