定位是机器人实现自主作业的重要前提。3D激光雷达具有距离测量准、不受光照变化影响等优点，为机器人高质量定位提供保障，因此激光雷达定位技术的研究具有重要理论意义和广泛应用前景。本文针对基于3D激光雷达的定位开展研究，论文的主要内容如下：
       首先，介绍了3D激光雷达定位的研究背景和意义。从3D激光雷达定位、3D激光-惯性定位以及3D激光雷达位置识别三个方面进行现状综述，并对论文内容和结构安排进行了简介。
       其次，针对基于分布的3D激光里程计精度和效率的矛盾，提出了一种基于紧关联分布和最大似然估计的激光里程计HDLO。设计源分布到目标分布的稀疏数据关联，并对每一对成功关联的分布，利用相应点集的并集表示参考分布，从而通过分布紧关联的处理，改善局部结构的表征。在此基础上，基于最大似然估计构建以源分布点到参考分布距离为约束的代价函数，并设计了计算解耦策略，通过分布参数的预计算使得优化复杂度与点的数量无关，在满足实时性同时获得准确的位姿估计。同时，将上述数据关联和优化方案泛化到多帧，构建基于分布的帧间交叉约束，进而联合优化固定窗口内多帧位姿，以降低累积误差，改善位姿估计的局部一致性。HDLO在KITTI数据集上的平均相对平移和平均相对旋转误差分别为0.50%和0.16度/100米，表明了所提方法的有效性。
       第三，将IMU引入上述激光里程计HDLO中，提出了一种基于分布的分层紧耦合3D激光-惯性里程计HD-LIO，以提高定位的鲁棒性和精度。为了解决IMU和激光雷达紧耦合过程中点云分布约束的退化问题，基于点云测量噪声在点到分布距离观测方程中的传播，设计了一个随分布参数动态变化的核函数，通过对损失项的调整获得抗退化的点云分布约束，保证了剧烈运动条件下位姿估计的稳定性。在此基础上，滤波和平滑以分层紧耦合的方式实现定位，其中，低层基于迭代扩展卡尔曼滤波器，构建IMU先验和抗退化点云分布联合约束，实时估计当前帧的位姿，高层则联合先验约束、IMU预积分、点云观测约束对多帧位姿进行固定窗口平滑，在保证效率的同时，获得由粗到精且鲁棒的定位结果。HD-LIO在NC和ENC数据集上的平均相对平移和平均相对旋转误差分别为0.49%和1.97度/100米，证明了所提方法的有效性。
       第四，提出了一种基于距离图和循环列移不变注意力的激光雷达位置识别方法CSINet。现有基于距离图的方法依赖于NetVLAD的不变性实现对点云旋转的鲁棒性，限制了特征提取过程中的尺度变化。针对该问题，设计了循环列移不变的注意力，通过对输入特征的平均池化和最大池化结果进行加权并循环卷积，生成与输入等变的注意力权重，以此基于矩阵相乘方式对输入进行加权，在捕获全局上下文信息的同时，实现输出对距离图输入沿列方向循环移动的不变性，这为可变的特征尺度提供了保障。基于此，设计空间降采样和空间通道混合的多尺度特征增强模块，以挖掘注意力输出特征中不同尺度的信息，提高全局特征向量的辨别性，促进位置识别性能。在NCLT、KITTI和Ford数据集上的实验结果验证了所提方法的有效性。
       第五，以上述3D激光-惯性里程计HD-LIO作为前端，并集成所提激光雷达位置识别方法CSINet与位姿图构成的闭环优化后端，设计了基于自适应分布的3D激光-惯性定位与建图框架ADLI-SLAM。对于前端里程计，其低层滤波加入了场景自适应的分布提取策略，以确保获得充足的分布约束，提高楼梯等挑战环境下的定位鲁棒性；高层平滑则额外考虑了点云分布参数，通过最小化体素中分布协方差矩阵的行列式实现位姿与分布的捆绑优化，进一步改善估计准确性。后端主要利用位置识别方法CSINet检测固定窗口平滑中最新点云帧的候选闭环帧，并通过一致性检验生成闭环因子，进而结合平滑优化产生的里程计因子进行基于全局位姿图的闭环优化，提高定位与建图的全局一致性。所提方法的性能在公开数据集上进行了验证。
       最后，对本文工作进行了总结，并指出了需要进一步开展的工作。