近些年来,随着人工智能技术的发展以及人们对于出行安全、便利需求的增加,无人驾驶技术成为了汽车产业以及高校研究的热点。现阶段的无人驾驶技术虽取得一定的发展,但是离大规模的技术落地并走向市场还有一定的距离。环境感知一直是无人驾驶技术的关键,也是无人车在行驶安全方面难以实现突破的瓶颈所在。由于摄像头在感知时易受光照影响,在黑夜等极端环境下具有局限性,以激光雷达为主实现障碍物的检测与识别具有十分重要的意义。高速工况具有行驶环境简单、障碍物类型单一、汽车行驶速度较快的特点。本文首先针对高速工况建立了基于点云聚类方法的动态障碍物实时检测算法。通过将点云体素化处理并均值滤波实现了点云的下采样。通过实验对比了不同的地面点云滤除算法效果,选定射线算法滤除通行区域的地面点云数据。针对射线算法对行驶坡度敏感的问题,将目标点云前两个相邻点云数据组成射线的倾斜度代替坡度阈值的设计,使得射线算法不再对地面的坡度敏感,提高了地面点滤除过程的鲁棒性。通过仿真对比了不同聚类方法对相同数据处理的时间以及轮廓系数,选定欧几里得聚类算法对滤除地面点云后的数据进行聚类分割。针对点云密度不均匀的问题,将点云聚类的距离阈值设计成了关于距离的线性函数,提高了聚类算法的鲁棒性。城市行驶工况中行驶环境复杂,障碍物种类繁杂,仅仅检测出行驶过程中的障碍物难以满足感知需求,须获取行驶环境的语义信息。非深度学习方法提取点云特征较困难,因此建立了基于激光雷达点云数据的深度学习目标检测网络,实现对城市路况下动态障碍物的识别。根据雷达数据的特点,将点云进行了体素化处理,建立了雷达数据的输入特征向量,并通过特征数据的预处理将点云的特征转化为体素的特征。针对三维卷积运算量大、三维点云特征较稀疏的问题,将体素的特征在Z坐标方向上进行了最大池化处理,将体素的特征进一步转化成了二维栅格地图的特征,建立了点云卷积的二维特征张量。不仅避免了三维卷积对卷积效率带来影响,也消除了大量的空体素,使得特征信息更加丰富。建立了点云特征提取网络,并将不同卷积层的特征,通过反卷积操作统一大小后,在特征维度上进行拼接。采用单阶段目标检测的检测头对卷积特征图进行特征分类和回归,在特征图的每个像素上设计四个先验框。训练过程中,每张特征图通过与标定边框的IOU值大小提取200个正样本以及600个负样本,防止训练正负样本过度失衡。最后对每个样本的先验框进行分类和回归操作,通过非极大值抑制方法滤除重复目标。在基于Ubuntu的ROS系统下对本文建立的障碍物检测与识别算法进行了实验认证。在聚类检测算法中,建立了接受雷达话题的接口,聚类算法对原始点云数据进行处理,并为规划层发布障碍物信息的话题。通过实验验证,在高速路况下,改进距离阈值的欧几里得聚类算法具有鲁棒性更优的聚类效果,能有效实时检测动态障碍物。对点云深度学习算法进行了模型训练,并通过测试集测得算法在KITTI数据集上对于汽车、行人、自行车的均精确率为59.21%,比Voxelnet高了0.96个百分点,检测时间从0.23s/帧减少到0.09s/帧。本文的研究成果能够为高速路况中的无人驾驶汽车提供实时准确的障碍物位置、大小信息,并能在城市路况中识别复杂环境下的障碍物语义信息。激光雷达数据对于光照条件不敏感,能够很好的弥补摄像头在感知领域的局限性,因此本文的研究成果具有重要的实际意义。