随着人工智能技术的兴起和发展,基于智能网联运载装备的自动驾驶技术发展迅速,但目前自动驾驶技术面临着许多技术难题,其中之一便是感知性能不佳,难以保证自动驾驶的安全性,大量基于激光雷达点云的障碍物检测工作多集中于用单一的传统检测模型或者深度学习检测模型来检测障碍物,但是在道路起伏不平、交通参与者较多的复杂环境下,单模型检测会导致感知系统不鲁棒。为此,本文将自动驾驶感知系统作为研究对象,结合多模型融合的策略,对复杂环境下的激光雷达点云障碍物检测进行研究,为自动驾驶感知系统检测的鲁棒性奠定基础。本文的主要工作如下:首先,针对现有点云的传统检测方法在复杂环境下实时性和准确度方面难以达到平衡的问题,以及点云分割聚类算法很少满足激光雷达点云数据特点,本课题将复杂环境下地面起伏不平这一因素考虑进来,基于深度图的方法进行地面分割以提高点云分割算法的准确性,在地面点的查找中结合宽度优先搜索算法提高点云分割算法的实时性;同时,由于激光点云数据特性即越远越稀疏和垂直分辨率与水平分辨率不均衡,引入弧度体素划分非地面点云,再对27邻域的弧度体素进行连通域分析以提高聚类算法的准确性;然后优化基于聚类后的L型点云簇和基于角度搜索的矩形框估计算法,从而提高算法的实时性。其次,针对现有深度学习点云检测方法利用训练网络进行推理难以满足感知系统实时性的问题,对深度学习检测网络Point Pillars进行训练,将训练后得到的网络和权重转换为ONNX文件格式,再基于Tensor RT解析ONNX文件达到优化网络结构和参数精度的目的,建立基于Tensor RT的推理引擎进行加速推理提高算法运行实时性。针对基于单模型检测的感知系统不鲁棒的问题,设计多模型融合的检测系统,输入同一帧激光雷达点云数据,利用传统检测方法和深度学习方法同时进行检测,并将检测结果融合以提高感知系统的安全冗余。最后,基于实车采集的激光雷达点云数据进行验证,通过机器人操作系统软件平台采集多组激光雷达点云数据,用以验证基于多模型融合的激光雷达点云障碍物检测算法在复杂环境下的性能。实验结果表明,本文提出的多模型融合策略发挥了重要作用,基于多模型融合的障碍物检测算法显著提高了复杂环境下感知系统的安全冗余。