无人驾驶汽车是一种具有自主决策能力,同时具备自适应和学习能力的智能交通设备。目前,自动驾驶技术在人工智能和汽车行业的飞速发展下逐渐成为业界焦点,除了传统汽车公司,各大科技巨头、技术型公司也纷纷进入自动驾驶领域,一旦技术成熟,自动驾驶将大大减少交通压力、交通排放和交通事故,给人们的生活带来极大的便利。自动驾驶领域中一个主要的研究方向是环境感知技术,若汽车对周围环境没有正确的认识,会导致自动驾驶汽车的任务决策、路径规划和车辆控制系统出现错误的判断,所以环境感知技术既是无人驾驶汽车其他技术的前提,也是核心部分。本文利用环境感知技术对汽车可行驶区域进行检测,主要利用摄像头、激光雷达及其数据融合的方式对车道区域进行检测与跟踪,主要的研究内容包含了以下几个部分:1)分析了国内外无人驾驶技术发展现状,重点对车道检测、多传感器数据融合和车道跟踪的方法和现状进行了研究,并明确了本课题中从图像、点云数据和利用数据融合方法提取车道区域所需解决的关键问题,并给出技术路线和研究方法。2)根据激光雷达具有鲁棒性强,获取物体三维信息丰富且不易受环境光影响的特点,提出了一种基于激光雷达的车道检测方法。利用16线激光雷达的3个低层扫描层获取道路点云数据,并针对每个扫描层点云数据进行单独检测,首先利用Voxel Grid滤波方法进行点云滤波,然后利用划分网格的方法对道路点云数据进行分区,分区后的点云将会分布在不同的矩形网格内,通过每个网格内在(4轴方向点云密度变化的特点搜索左右两侧的目标检测区域,最后分别对两个目标检测区域进行局部DBSCAN聚类,获取道路边沿点,在检测出车道边沿的同时也为后续数据融合做准备。3)针对传统的车道区域检测方法精度不高,经常出现误检和漏检等情况,提出了一种串联式的数据融合方法对车道区域进行检测。首先利用Apollo自动驾驶套件搭建实验平台并在时空上匹配点云数据和图像信息,然后分别对左右道路边沿点利用最小二乘法进行拟合,并对预先检测出的车道区域利用区域膨胀的方法确定出精确的感兴趣区域,最后在感兴趣区域内利用Hough变换检测出车道区域。4)深度神经网络语义分割已成为车道提取方面的热门话题,为了提高车道区域检测的精度和鲁棒性,提出了一种并联式的数据融合方法对车道区域进行检测。第一部分,模型采用编码和解码结构,在解码部分通过多层反卷积和特征提取层与上采样层形成拼接结构来改进Deeplab v3+网络结构,同时在编码部分依然采用空洞卷积和空洞空间金字塔池化(ASPP)来提取图像特征,从而进一步融合图像多尺度信息。第二部分,首先将语义分割图像和目标检测区域及道路边沿点进行数据匹配,然后利用图像遍历方法融合目标检测区域和语义分割图像,并判定语义分割图像的道路分割效果,最后根据融合策略对道路分割图像进行修正,实现了在目标级的数据融合方式下,以图像信息车道检测为主,点云数据辅助检测的方式对车道区域进行了提取。5)为了提高车道检测的鲁棒性,利用Kalman滤波和扩展Kalman滤波方法对车辆匀速直线运动和匀加速直线运动两种工况进行车道跟踪,根据对车道边沿点最小二乘法拟合和图像信息Hough变换检测出的车道线建立两个直线库,其中由激光雷达点云数据确定的第一直线库更新车道测量值,由Hough变换确定的第二直线库更新车道估计值,当相邻时刻车道边沿线匹配成功时,估计值代替测量值完成本时刻的车道状态跟踪。