由3D激光雷达采集的3D点云数据已成为无人驾驶汽车获取道路信息的重要来源,在基于点云数据的众多环境感知算法中,障碍物检测与动态障碍物跟踪算法在无人驾驶汽车架构中有着至关重要的地位。但是,由于激光雷达工作时自动驾驶汽车的转向或移动,导致采集到的数据往往不能真实反映环境信息。同时对于传统的欧氏聚类算法,如果未能正确选择欧氏距离阈值,算法的处理结果通常会出现近距离障碍物误检或远距离障碍物漏检的问题。如果能够找到较好解决上述问题的方法,将大大提高激光雷达检测、跟踪目标的可靠性与实时性。针对以上问题本文提出了一套可行的障碍物检测与跟踪算法,该算法从四个主要方面来解决这些问题:1.采用畸变校正算法来减少由激光雷达的移动或旋转引起的失真影响。2.改进了欧氏聚类算法,加入了能随检测距离变换而变化的自适应欧几里得距离阈值,因此改进算法既可以准确检测距离相对较近的障碍物,又可以确保不漏检远处较小的障碍物。3.在诸如领域搜索算法、点云分割方面对检测算法的实时性进行了优化。4.引入了新的相似度元素:激光强度,并对相似度计算方程中的各元素进行了加权处理,使跟踪算法能够更好地实现追踪功能。同时本文还对提出的算法进行了实验验证,实验的结果也证实了该算法的这些特征,结果表明,该算法能在较高的准确率及运行速度下完成对多障碍物的检测与追踪。同时,在提出的改进算法的帮助下,点云的失真减小了,检测距离增加了近8米,聚类速度也提高了15%。