无人驾驶是一种通过各类传感器感知周围环境的信息,然后使用计算机控制车辆运行的高新技术。成熟的无人驾驶技术可以使得车辆在行驶过程中不需要人类的干预,是智能交通系统中重要的一个部分。本文使用单目相机和多线激光雷达为传感器,针对无人驾驶场景下的两个问题进行了研究,分别是点云地图构建以及多目标检测与追踪。在无人车导航场景下,点云地图可以作为先验信息使无人车实现高精度定位的功能。本文使用相机和激光雷达融合进行建图工作,首先使用单目相机计算无人车在运动过程中的位姿变换矩阵,将其作为先验值提供给激光雷达,而后使用激光雷达帧间特征匹配计算无人车的位姿变换,最后以较低的频率将当前点云帧与局部地图进行位姿匹配,构建出初始点云地图,并建立位姿图中的弱约束边。同时,针对初始点云地图出现断裂的情况,使用单目相机提取视觉关键帧,并在无人车建图过程中持续进行回环检测,如果检测到环境回环就在位姿图中建立强约束边,并使用Levenberg-Marquardt法对位姿图进行迭代优化,得到无人车的最优位姿,并优化点云地图。在无人车导航过程中,多目标追踪是对车辆周围多个移动目标进行检测和追踪,实现对环境感知的任务。本文将多目标追踪问题转化为二部图匹配问题,首先使用单目相机和多线激光雷达的感知数据对无人车周围的目标进行检测,而后对两种传感器各自检测到的目标进行关联,接着使用卡尔曼滤波预测目标在下一个时刻的运动状态,然后提取检测目标与追踪目标的位置信息以及色彩特征信息等构建帧间目标的关联矩阵,最后使用匈牙利算法对前后两帧数据之间的目标进行数据关联,并更新目标的运动轨迹。本文选定了一个室外场景(150 m*200 m)进行融合建图和多目标追踪的实验。在融合建图实验中,对比了未使用全局优化的点云地图和使用全局优化后的点云地图,验证了回环检测和全局位姿优化对地图精度的提升。在多目标追踪实验中,先使用公开的KITTI数据集对比多目标追踪算法与其他主流算法的性能提升,然后在真实的园区场景下进行追踪实验,并展示了在几个有挑战性的场景下的追踪效果。