随着社会对出行需求的提高,自动驾驶技术研究的不断深入,自主无人车已经成为当前发展的潮流,其中,定位技术是实现无人车自动驾驶的核心之一。同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术能够使无人车在没有先验信息的未知环境中运动时,根据自身搭载传感器提供的数据,实现自身的定位和环境地图的构建。3D LiDAR具有测量精度高,不受日照影响等优点,被广泛的应用于无人车同时定位与建图的技术上,但是它鲁棒性较差。因此,将3D LiDAR信息与其他传感器信息相融合来提高定位的鲁棒性是近年的研究热点。为了提高无人车定位的鲁棒性、精确性及其效率,本文提出一种基于IMU与LiDAR紧耦合定位算法并对其研究。具体工作如下:介绍本文提出的IMU与LiDAR紧耦合的定位系统框架和激光SLAM系统的理论基础,简单介绍新式固态LiDAR的工作原理,以及详细研究LiDAR与IMU的量测模型,并在此基础上深入推导用李群李代数表示的IMU预积分方法以及更新零偏的IMU预积分公式。针对3D LiDAR在无人车运动时存在运动畸变的问题,通过IMU辅助3D LiDAR去除点云中的运动畸变,并对点云中的动态障碍点去除,以此提高LiDAR原始点云的质量。创新性地使用一种新型的基于迭代的点云存储数据结构,并在此基础上提出一种快速的3D LiDAR前端直接匹配流程,提出一种快速的地面点云提取并分割的方法作为全局优化的地面约束项,并利用IMU预积分给出关键帧间的航迹推算作为IMU约束因子。为了提高无人车定位的鲁棒性和精确性,提出了一种新的混合自我定位估计方法,其中基于迭代的误差状态卡尔曼滤波的IMU与LiDAR局部优化与基于因子图优化的全局优化相结合。针对3D LiDAR前端里程计产生的累计误差以及IMU预积分由于零偏更新产生的误差,提出了一种基于迭代的误差状态卡尔曼滤波器的3D LiDAR与IMU紧耦合的局部优化方法,在抑制3D LiDAR累计误差的同时对IMU预积分进行修正。针对3D LiDAR点云数据量庞大的情况,提出了关键帧策略,有效减少了后端因子图全局优化和地图构建的次数,降低了算法的复杂度。针对局部优化只依赖前一帧数据的局限性,通过基于因子图优化的3D LiDAR与IMU全局优化方法,将3D LiDAR观测值、IMU预积分、地面约束以及回环检测等作为约束条件,利用因子图优化得到组合系统位姿与全局地图。针对回环检测,为兼顾算法的运算量和准确度,提出一种瞳孔启发式的回环检测描述符,并提出将粗检测与精检测相结合,有效降低闭环检测模块的运算量并提高闭环检测的准确度,提高IMU与3D LiDAR紧耦合定位系统的稳定性。搭建了搭载3D LiDAR和IMU的无人车应用平台,以RTK-GPS数据作为真值并与开源算法Livox-mapping、LINS-Livox做对比实验,通过基于广东工业大学校园场景数据集的仿真实验对比结果,对提出的基于IMU与LiDAR紧耦合定位方法进行验证。最后将本文提出的方案应用在无人车平台上,并实测运行。结果表明IMU与LiDAR紧耦合定位方法在动态场景、结构化场景、缺乏特征的大场景均能得到较高精度的定位结果,提高LiDAR与IMU紧耦合定位系统的精确性和鲁棒性,在非结构化的室外大场景下可达到分米级定位效果能媲美民用GNSS定位系统,在结构化的小场景中可以达到厘米级的定位效果。