导航定位是智能驾驶技术研究的基础之一,通过导航定位技术可以获得智能驾驶车辆的精确位置,从而更好地实现路径规划、行为决策等智能驾驶功能。全球定位系统（Global Positioning System,简称GPS）以结构简单、使用成本低等优点,广泛应用于智能驾驶汽车的导航定位技术中。但是民用GPS的定位精度和鲁棒性不足;惯性测量单元（Inertial Measurement Unit,简称IMU）位姿解算的准确度高,对环境敏感度低,但长期航迹推算的误差较大;激光雷达测距精度较高,扫描距离远,但无法进行全局定位。因此,本文综合研究了以上传感器的定位方法,给出了一种基于长短期记忆神经网络和无迹卡尔曼滤波的多源传感器融合定位方法,主要研究内容如下:研究基于长短期记忆神经网络的GPS和惯性传感器融合定位方法。为了提高GPS在信号受到遮挡时的定位鲁棒性,对IMU位姿的滤波算法和神经网络算法进行研究,给出了一种基于长短期记忆神经网络的融合定位方法。当GPS定位信号正常时,通过滤波后的IMU位姿数据对GPS的定位差值进行训练,一旦GPS受到遮挡而无法进行定位时,基于训练好的长短期记忆神经网络模型和滤波后的IMU位姿数据对GPS的定位差值进行预测,从而实现GPS和IMU的融合定位。最后通过路侧端采集的实车数据对长短期记忆神经网络模型的张量进行训练,并验证了该方法能够有效提高GPS定位失效时的鲁棒性。研究基于无迹卡尔曼滤波的GPS/IMU和激光雷达融合定位方法。为了提高导航定位系统的定位精度,首先分析了激光雷达在动态环境下的误差来源,给出了一种激光雷达数据的动态误差修正方法,并研究了基于正态分布变换的激光雷达匹配定位算法。然后根据车辆的运动特性搭建了其运动学模型,并根据车辆运动学模型建立基于无迹卡尔曼滤波的融合定位模型,从而估计出GPS/IMU和激光雷达融合定位模型的最优运动轨迹。最后通过仿真实验验证了该方法能够得到最优的估计位置,提高了导航定位系统的精度。研究并搭建多源传感器的融合定位系统和实车实验平台。首先设计了融合定位系统的总体框架,并基于该框架选择相应传感器搭建实车实验平台,研究和分析实车实验的流程,针对以上所述方法设计了相关实车实验。首先在直线道路对本文所设计的基于无迹卡尔曼滤波的融合定位方法进行实车验证,实车实验结果表明该融合定位轨迹平滑,且能够有效的提高智能驾驶车辆的定位精度。然后在闭环曲线道路,采用局部切断GPS定位信号方法来模拟GPS失效,对本文所设计的基于长短期记忆神经网络和无迹卡尔曼滤波的多源传感器融合定位模型进行实车验证,实车实验结果表明GPS定位信号切断前后,融合定位系统的误差基本保持不变,输出轨迹平滑,与传感器相比定位效果显著提高,验证了本文方法能够有效提高定位鲁棒性和定位精度的同时,保证智能驾驶车辆运行的平顺性。