非结构化道路中的无人驾驶精确定位大量使用基于激光雷达的simultaneous localization and mapping（SLAM）技术，解决因环境变化导致的预建地图匹配失败，进而引起定位丢失的问题一直是业内难题和热点研究方向之一。针对上述问题，提出一种利用激光雷达和惯性测量单元在normal distribution transform（NDT）定位基础上融合实时局部地图匹配的长周期鲁棒定位方法online location normal distributions transform（OL-NDT）。OL-NDT将NDT获得的定位信息作为测量信息因子输入因子图中优化实时构建的局部地图，并且在其全局定位丢失后采用实时局部地图进行定位。在MulRan数据集上进行定位精度测试，OL-NDT的累计误差占比为0.40%，较现有的传统定位方法降低了1.06个百分点，定位精度得到了有效提升，且在静态结构发生较大变化的场景下也可以精准定位。同时，利用在北京联合大学采集的校园数据验证了在短暂无地图情况下OL-NDT的定位轨迹精度与已知地图时完全匹配。

针对园区等环境结构性强而全球导航卫星系统（GNSS）信号不稳定的应用场景及无人车应用激光雷达同时定位与建图（SLAM）技术缺乏对于场景的语义理解能力而造成的定位误差问题，提出了一种单目相机与激光雷达融合构建三维语义地图的方法。该方法以园区环境结构性强、车辆行人动态变化高的特征为依据，通过改进的全景特征金字塔网络（PFPN）进行场景视觉语义分割，然后采用像素级融合方法为激光点云提供语义信息，从而有效地去除了正态分布变换（NDT）建图过程中动态目标的干扰，进而提高了无人车SLAM技术在动态环境中的鲁棒性和精确性。在旋风智能无人驾驶平台上进行实验验证，并与原始NDT方法进行了比较，实验结果表明：所提方法能够全面提升建图精度，其中位姿精度最为显著，提高了34.34%；除此之外，建图的点云数量也降低了39.78%，大大提高了建图速度。