近年来,人工智能领域中出现了多项突破性的研究成果,无人驾驶技术也因此得到了快速发展。在无人驾驶相关技术中,环境感知技术是关键技术,只有获得准确的环境感知信息,才能使无人驾驶系统后续的决策与规划合理可靠。而在环境感知信息中,路面可行驶区域和路面上的目标信息是十分重要的,掌握了这两类信息,即可规划出可靠、安全的无人车行进路线。传统的可行驶区域提取方法,主要通过RGB相机与图像处理算法提取出道路边界,从而提取可行驶区域,其优点在于处理速度快,算法结果的更新频率可以接近图像捕获的帧率,而其缺点则有如下几点:RGB相机成像易受环境光影响,在恶劣天气、黑夜等情况下,算法性能会急剧下降,甚至完全无法工作;RGB相机的视野十分有限,导致系统能提取出的可行驶区域也十分有限;并非所有可行驶区域都有明确、易于提取的道路边界,仅凭道路边界信息来识别、提取可行驶区域容易漏识和误识。因此,最新的研究多偏向于使用多线激光雷达作为主要传感器,利用其捕获到的三维环境点云信息,通过高度、高度梯度、表面平整度等特征来提取出周围环境中的可行驶区域。该方法可以避免传统方法易受环境光影响、视野受限、易漏识与误识等问题,但是目前仍存在对可行驶区域提取的精度较低,难以为无人车提供稳定、可靠且全面的可行驶区域的问题。而基于深度学习的可行驶区域提取算法,虽然精度较高,但是又存在模型较大,计算复杂,导致算法运行速度较慢的问题。传统的目标分割方法,主要使用各类手工设计特征,从二维图像中分割出前景点和背景点,进而分割出关注的目标。该类方法的优点是处理速度快、处理过程透明,但由于基于的传感器是RGB相机,所以依然存在易受环境光影响、视野受限等问题。除此之外,该类方法难以在通用场景下达到较高的精度。因此,最新的研究大多是基于多线激光雷达提供的环境三维点云数据,使用深度学习算法,通过训练精度高、泛化能力强的深度神经网络模型,来完成环境中的目标识别和分割。目前最新的方法可以达到较高的精度,但问题是因计算量过于庞大,导致整体速度较慢,难以应用于高实时性要求的无人驾驶系统中。针对上述问题,依托吉林大学机器人研究组项目,本文做了如下研究工作:(1)针对当前可行驶区域提取算法提取精度较低或速度较慢的问题,研究兼顾精度、速度的可行驶区域提取算法。本文提出了一种新的可行驶区域提取算法,通过使用光束法和人工势场法,分别在三维数据和投影后的二维数据上提取可行驶区域相关信息,再进行结果融合,从而得到更为准确,分为两个安全等级的可行驶区域,并且算法运行速度较快。(2)针对当前目标分割方法计算量过大,实时性较差的问题,本文对最新的三维目标分割算法进行了改进,优化了网络模型中的特征提取、分类等过程,从而提高了算法的运行速度,并且精度降低程度较小,使算法可以被应用于实时无人驾驶系统中。(3)使用吉林大学机器人研究组的智能车与传感器,完成了大学校园真实环境的数据采集,并使用自主研发的半自动数据标注软件,对真实环境数据进行了标注,创建了一个新的小型数据集,并使用该小型数据集对比验证了本文算法的性能。