无人驾驶技术目前虽然在高速公路、封闭园区等结构化道路场景得到了成功应用,但对于非结构化道路的识别依然还存在诸多技术问题。边沿检测作为非结构化道路识别的关键环节,给基于计算机视觉的传统无人驾驶环境感知提出了新的技术挑战。激光雷达作为无人驾驶的重要传感器,在三维道路信息获取方面相较于摄像机更具优势。综合考虑道路边沿检测准确率、点云处理时间与部署成本,提出了基于16线激光雷达三维点云的非结构化道路边沿检测方法,以保障无人驾驶的可靠环境感知。论文的主要研究内容包括:（1）总结了目前已有的基于激光雷达三维点云的道路检测方法。具体分析了利用三维点云滤除路面点方法以及提取道路边沿点方法的优缺点,指出现有的技术问题是非结构化道路边沿模糊、路面颠簸导致路面点不能被完全滤除,影响下一步边沿点的提取,未能被过滤的较多干扰点使得最终边沿线拟合误差较大。（2）针对路面点不能被完全滤除的问题,提出能自适应生成阈值的双栅格算法。双栅格法将范围内的三维点云分别按照平面坐标划分大小栅格,利用栅格内部及相邻栅格间的约束条件滤除路面点。约束条件的阈值通过改进的大津法实现区域内阈值自适应生成,优化了路面点云的滤除效果。（3）针对非结构化道路边沿检测算法的低效率问题,提出通过改进KD-tree检索算法实现道路边沿点的提取。将每行栅格内的非路面点云划分为左右子空间分别排列检索,然后根据剩余点至车辆前进方向的距离进一步提取候选道路边沿点。最后利用改进的随机采样一致性算法完成道路边沿线的拟合,提高了非结构化道路边沿检测的准确性。在此基础上,使用16线激光雷达采集三种不同非结构化道路场景的点云数据进行了实验验证。统计每个数据集内成功检出边沿线的帧数占比,成功检测率达到90.04%。结果表明所提出的双栅格法能够滤除路面点,避免了因为路面颠簸、边沿模糊、障碍物干扰导致而无法精准滤除路面点的问题;改进的边沿点提取与边沿线拟合方法大大降低了干扰点对结果的影响,实现低成本下非结构化道路边沿检测的可靠检测。