无人车对周围环境的感知理解是保证其正确路径规划的前提。与结构化环境相比,越野环境中障碍物复杂多变且杂乱无序,并且越野环境颠簸的路面也给无人车环境感知带来更大的挑战性。在无人车所使用的传感器中,三维激光雷达由于其测距精度高、检测范围大、鲁棒性强等优势,在无人车环境感知中起的作用越来越重要。因此,本文主要面向无人车越野环境下激光雷达环境感知过程中的关键问题进行研究。通过融合历史检测信息来改善激光雷达漏检、误检情况,提高检测精度。针对复杂颠簸的越野环境的感知需求,选用局部高程地图来描述环境信息。对由INS/GPS组成的组合导航系统输出的六自由度位姿信息和车辆底层的前轮偏角、车速信息进行基于扩展卡尔曼滤波算法的车辆运动估计。利用滤波结果将三维激光点云数据转换至局部水平坐标系下,以消除车辆颠簸以及车辆高度变化对激光点云数据的干扰,并为下一步的前后帧高程地图匹配做降维预处理。在运动位姿的基础上利用栅格化迭代最近邻点算法(G-ICP)实现前后帧高程地图的精确配准,并利用时间域上的均值滤波完成当前局部水平坐标系下局部高程地图的更新。本文提出了一种基于道路方向检测和二次曲线拟合的道路边界实时提取算法。首先利用光束模型统计障碍栅格地图各个方向的可通行距离,并构建归一化道路通行评价指数,将评价指数超过阈值的射线方向进行邻域聚类,每一个聚类结果都为一个道路方向,取聚类内所有射线角度的平均值作为该道路的方向角度。针对岔路口环境,基于路网匹配选择期望道路方向,在障碍栅格地图中沿着当前道路方向左右两侧寻找最近障碍点分别作为左右两侧道路边界的种子点,利用RANSAC算法进行道路左右两侧的二次曲线拟合,最后利用粒子滤波算法对道路边界进行更新,以提高道路上存在干扰或道路边界中断情况下算法的稳定性。以“北理慧动一号”无人车为实验平台,在真实环境下做了大量测试,验证了算法的准确性和鲁棒性。最后,本文总结了主要工作和贡献,并对下一步研究工作进行了展望。