车辆前方障碍物的感知是自动驾驶(Autonomous Drive)重要的研究方向，车载激光雷达(Light DetectionandRanging，LiDAR)作为自动驾驶车辆探测前方障碍物的重要传感器，其在扫描行驶环境时，会获取海量的与障碍物无关的点云，为将这些无关数据(主要是地面点云)滤除，点云需要被划分成地面点云和非地面点云(障碍物)，这一划分过程涉及地面拟合及滤除算法；对于划分后得到的非地面点云，需对其进行聚类和位姿估计，从而得到障碍物信息，这涉及点云聚类和位姿估计算法。目前，点云拟合地面过程存在方法不科学、拟合效果差的情况，估计位姿过程，由于遮挡造成无法获取完整障碍物点云，存在估计不准确的情况。论文对前述所提及问题和相关算法梳理对比并测试，改进其中一些算法并实现相关代码，设计了实验场景下车辆前方障碍物检测方法。
　　论文先对所用激光雷达进行标定，在之后的划分点云阶段，研究现有的地面拟合算法，对随机抽样一致性(Random sample consensus ,RANSAC)算法初始化阶段做出改进，通过缩小点的随机抽取范围，降低了可能出现的多次拟合结果不一致的情况；对滤除地面后的点云，由于需要预先设定聚类的簇数，K均值聚类及期望最大化(Expectation maximisation，EM)聚类不适用于车辆实时连续检测障碍物的情况，论文采用了基于密度带噪声(density-based spatial clustering of applications with noise， DBSCAN)的聚类算法；对聚类后的点云，改进L形包围盒算法，使用最小面积L形包围盒算法，在由于遮挡导致障碍物点云不全的情况下得到其坐标、尺寸、偏航角等信息。最终考虑实验车辆硬件配置及道路环境，设计车辆静态及低速行驶情况下前方障碍物检测方法，对所述模块对应算法完成了相应的ROS节点设计。
　　经在线和离线测试，地面拟合阶段，提取车辆前方非地面点云；聚类检测阶段，车辆静态及中低速行驶时，检测出前方的动态(行人等)及静态(墙壁、灌木丛、纸箱等)障碍物；位姿估计阶段，在Linux命令端输出障碍物的坐标、偏航角等信息，并在ROS的Rviz插件中可视化，算法总耗时小于0.5s。