智能车辆对于提高道路行驶安全性,缓解交通拥堵,降低驾驶人力成本,促进汽车产业升级等具有重要意义。环境感知是实现智能车辆自主行驶的关键步骤,它提供实时的环境信息,为后续智能车辆进行规划决策和执行控制的重要前提。激光雷达因其具有高分辨率、高精度、较强的抗有源干扰能力、能够获取丰富的信息量等优点,成为智能驾驶环境感知中最主要的传感器。智能车辆行驶环境复杂多样,为了保证智能车辆环境感知系统的准确性和稳定性,智能驾驶车辆需要在动态的环境中感知到可通行区域内移动障碍物的运动状态。基于上述理由,本文采用了一种利用激光雷达进行障碍物检测的方法。主要从地面分割方法、可通行区域检测方法、动态障碍物的检测与跟踪方法三个方面展开研究。首先,为了能够在不同场景中准确分割出地面点云与障碍物点云,本文选用velodyne VLP-16激光雷达传感器,对其工作原理及激光点云数据格式进行分析,利用激光雷达中激光发射器的扫描特征构造基于环间距离的滤波器分离出大多数障碍物点,接着将点云空间划分为不同的区域,采用多区域RANSAC平面拟合算法来辅助滤波以过滤出剩余地面点,该算法克服了坡道、弯道等不规则道路对地面点云分割的影响,能够有效地分割出不同路况的地面点云。其次,为了检测智能车辆可行驶的区域,本文首先采用了改进的欧几里得聚类算法对障碍物点云进行聚类,并采用L形拟合结合霍夫直线检测的方法提取聚类后障碍物的包围盒,得到每个障碍物的中心点位置和旋转角度。接着根据道路几何特征和点云空间特征信息,采用基于动态滑动窗口的方法提取道路边界点,并利用二次曲线对道路边界点进行拟合得到道路边界线。最后结合道路边界的提取结果,对道路边界内的障碍物进行聚类标记,从而可确定道路的可通行区域。为后续模块提供必要的可通行区域内的障碍物信息。接着,为了处理动态障碍物检测与跟踪过程中的外界扰动和运动不确定性,本文对在道路边界约束内的动态障碍物进行跟踪,采用基于匈牙利优化的数据关联算法对前后帧的所有障碍物进行最优关联匹配,同时采用线性卡尔曼滤波算法对前一时刻的预测值和当前时刻的测量值进行滤波处理,得到障碍物运动状态的最优估计值。该方法克服了动态环境中点云数据分布不可预测的多个障碍物关联匹配的问题。最后,在不同场景下进行了实车数据测试,结果验证所采用的方法的可行性和稳定性。