近年来,随着人工智能及其相关技术的发展,越来越多的自动驾驶相关项目也陆续走向产品化。得益于其庞大的潜在市场需求,自动驾驶已然成为了当下最热门的话题之一。激光雷达因其高精度、高可靠性、受外界干扰小的优点逐渐成为无人驾驶系统中不可缺少的传感器,依赖激光雷达建立的稠密点云地图也是定位方法中常用的地图之一。然而传统算法存在建图过程耗时较长、速度较慢、大环境下无法快速实现回环检测的问题,从而导致时间成本增加。本论文使用了价格相对低廉的16线激光雷达和IMU(惯性测量原件)等辅助传感器,研究如何在快速获得建图过程中无人车位姿的同时进行较快速的回环检测,提升建图的效率。基于16线激光雷达的建图系统可以分为前端位姿信息的获取、回环特征检测和回环搜索匹配三个部分。点云数据的去畸变是通过建立合适的小车运动模型,将对应角度的运动补偿量补偿到每一点上来消除点云畸变。有了与物理世界相符的点云数据后,根据选取合适的特征点对点云间的数据进行匹配得到对应的位姿变换。针对点云匹配过程中位姿转换估计存在累计误差的问题,本方法建立了相应的运动模型对畸变运动进行校正,通过采集频率更高的IMU和速度传感器对小车的运动进行估计。之后通过扩展卡尔曼滤波方法融合点云匹配获得的位姿转换关系,从而对建图过程中的运动进行更加准确的估计。针对点云在建图过程中的特征提取,文中提出了一种简单快捷的提取杆状物方法作为回环检测的基础。系统将连续帧的稀疏点云融合得到较稠密点云进行聚类分割,之后对每个聚类进行分层投影至栅格获得其占有栅格数。接着对该聚类Z方向上的数据连续性来判断是否属于杆状物特征,最后将得到的杆状物分为对应的特征和空间位置进行存储。对于回环检测,本文采用了基于前端位姿估计的回环检测策略。在获取了较为准确的位姿估计的前提下,系统将当前时刻的特征分布与搜索到的历史特征分布进行匹配。通过特征分布间匹配可以得到当前位姿与历史位姿间的旋转平移关系,从而得到对应的约束。将各个位姿之间的转换关系和全局约束的转换关系输入进后端通用图优化器中优化后,其输出的优化结果即为整个建图过程中的最终位姿估计集合。