三维激光雷达凭借着测距精度高、不受光照影响、实时性好等优点逐渐成为无人驾驶领域中的重要传感器,在高精度定位、障碍物识别和分类等场景中发挥重要作用。在这些应用场景中,一般都使用特征提取技术提取扫描环境的三维特征,达到简化计算量、提高正确率的目的。但目前三维激光雷达点云特征提取的实现大都是基于CPU或GPU平台,因此存在着功耗高、体积大、能效比低等缺点,不利于车规级应用。针对上述问题,本文设计了一种基于FPGA实现三维激光点云特征提取算法加速的方案。分析对比了 CPU、GPU、FPGA和ASIC在处理运算时的优缺点,最终采用ARM+FPGA结构的异构多核平台,使用赛灵思公司推出的Zynq UltraScale+MPSoC系列芯片,在单芯片上集成可编程逻辑（Programmable Logic,PL）和处理系统（Process System,PS）,通过软硬件协同设计的方法实现三维激光点云特征点的提取,在利用FPGA带来较快计算速度的同时,又能通过ARM实现系统的灵活性,在保证性能的前提下大大降低功耗。本文的研究内容主要包括以下几个方面:（1）深入研究三维激光雷达工作原理及激光点云特征提取算法的基本理论,在此基础上,对激光点云滤波、地面点云分割、非地面点云聚类、角特征点与面特征点提取、瑕点剔除算法进行详细分析,优化算法实现过程,为算法的FPGA实现奠定基础。（2）深入研究ARM+FPGA异构平台,给出三维激光点云特征提取算法FPGA实现的软硬件协同设计方案。利用SDSoC开发工具分析算法的运算量与性能瓶颈,充分利用FPGA的性能优势对算法进行改进;合理分配软硬件工作,将计算重复性高、计算量大的工作用FPGA来实现硬件加速,将计算量少、调度灵活的任务用ARM处理器来实现,通过ARM与FPGA间的高性能数据总线完成数据交互,实现算法的优化加速。（3）深入研究SDSoC开发环境,熟练使用该开发环境下优化方法,大幅缩短算法加速的开发周期。针对点云预处理和曲率计算等函数进行优化,运用循环流水线、循环展开、接口优化、数据位宽优化等方法优化程序运行时间;分析SDSoC软件提供的性能报告,合理利用硬件资源,获得更好的加速效果;同时对硬件调试方法进行详细介绍,对数据吞吐率、误码率、指令延时等方面进行分析。（4）基于ZCU104平台完成三维激光点云特征提取算法的实现和测试验证。使用办公室、电梯间和广场三个真实场景的点云数据进行实验测试,与采用CPU、TX2进行激光点云提取的结果进行对比,对提取结果、运行时间、资源消耗和功耗进行全面的分析。最终测试结果表明,三维激光点云特征提取算法经ZCU104平台加速后的运行时间为 13.2ms,NVIDIA Jetson TX2 的运行时间是 65.7ms,Intel（R）Corei7-10710U运行时间是26.7ms。同时测得ZCU104开发板最大功耗为10.32W,芯片最大功耗为2.1W,远低于通用处理器的功耗。验证了 Zynq UltraScale+MPSoC平台具有低功耗、高效率的优点,能够满足无人驾驶算法加速的要求,具有广阔的应用场景。