智能汽车是汽车产业发展的重要方向。当前,智能汽车尚处于研发阶段,其中存在设计车速低、运行设计域小等问题,智能汽车近程范围内的环境感知问题未能较好地解决是造成该问题的重要原因之一。现有产品级自动驾驶感知系统主要配备毫米波雷达与视觉相机,难以实现近程范围内道路路肩、行人、异物等体积较小目标的感知。激光雷达具有较高的测量精度,可用于道路路肩与小型障碍物的探测。智能汽车利用激光雷达感知近程环境是提高其设计运行速度与适用范围的重要途径,但目前其技术应用尚不成熟。本课题旨在探索利用激光雷达进行智能汽车近程交通区域内的环境感知的应用研究,弥补毫米波雷达与视觉相机对在近程感知中的不足,主要研究内容包括以路肩为形式的道路边界的感知以及障碍物的准确探测,并通过实车实验进行验证。在道路边界感知方面,道路边界信息为智能汽车的全局路径规划提供数据支持。对于道路边界的临时性变化,高精度地图往往难以及时更新与标注,毫米波雷达与视觉相机对其检测又较为困难。本课题试图探索利用激光雷达来解决近程范围内道路边界的检测问题,主要包含三个方面:进行激光雷达的外参标定,将其输出的点云数据转换至车辆坐标系中;基于激光雷达与GPS/INS定位信息融合的方式实现主车的全局定位,获得车辆坐标系与全局惯性坐标系间的变换关系,其中,基于激光雷达的局部定位是采用目前先进的LOAM算法来实现;在车辆坐标系下,利用模型拟合方法实现基于激光点云的道路边界检测,并利用前述坐标转换关系获得全局惯性坐标系下的道路边界感知信息。实验结果表明,本文提出的道路边界感知方案具有一定的有效性与准确性。在障碍物感知方面,道路内障碍物与交通目标状态信息为智能汽车的局部行为决策提供数据支持。对于近程道路内体积较小的障碍物的检测,现有基于毫米波雷达与视觉相机的成熟方法都难以实现。本课题尝试探索利用激光雷达的高精度点云数据来获得近程道路内障碍物的感知信息,主要包含三个方面:利用前述外参标定后的点云数据基于分段平面拟合方法实现路面点云与非路面点的分离;基于经典的DBSCAN密度聚类方法检测出道路内的障碍物模型,在这里,针对DBSCAN算法的计算与内存需求大的问题以及目标点云近密远疏的特征,本文采取下采样处理、KD-Tree重组织与变阈值策略;采用最近邻法对前后帧障碍物检测信息进行数据关联,并基于滤波理论实现障碍物相对车辆坐标系的运动状态估计。实验结果显示,本文采取的障碍物感知方法对不同体积障碍物的检测具有一定的有效性与鲁棒性。