随着通信技术和人工智能的不断进步,无人驾驶技术也得到了长足发展,如今越来越多的企业和科研机构开始进行无人驾驶的研究。激光雷达作为无人驾驶感知系统中的重要传感器,能够准确描绘三维空间的几何信息,被广泛应用于无人驾驶感知领域。线束越密的激光雷达能获取更多环境细节信息,越有利于障碍物检测,线束越少的激光雷达采集的点云越稀疏,但高线束激光雷达的价格往往是低线束激光雷达的几倍或几十倍,不利于无人驾驶研究的开展。因此,如何利用具有稀疏点云的激光雷达实现更为准确的障碍物检测对无人驾驶应用具有重要意义。针对稀疏点云所带来的障碍物检测精度低的问题,本文提出了一种基于连续帧点云空间特征融合的算法,有效提升了空间点云的稠密度,增强了稀疏点云空间特征。本文先利用16线激光雷达和车载设备采集制作了自定义校园数据集,然后利用搭建的深度学习网络模型对自定义校园数据集进行障碍物检测,验证了本文所提出的点云融合算法的有效性。以下是本文的主要研究内容:1.搭建无人驾驶实验平台。根据激光雷达的测距原理以及目前市场上常用的车载激光雷达进行分析,选用Velodyne VLP-16作为整车的主传感器采集校园道路环境信息,并利用Matlab 2020b中的工具箱对采集点云进行标定,制作自定义校园数据集。2.提出了一种基于连续帧空间特征的融合算法。该算法根据运动中激光雷达连续扫描的特点,利用三维点云配准算法将前一帧点云的信息融合进当前帧点云得到致密点云,从而以达到空间特征增强的目的。3.搭建深度学习模型进行障碍物检测。针对校园道路环境,搭建并利用深度学习网络模型在自定义校园数据集中进行训练,利用连续帧点云特征增强算法对输入点云进行特征增强,对比并分析单帧校园点云数据和融合校园点云数据集在检测模型的检测结果。