由全球交通事故带来的道路交通安全问题长时间得不到解决,自动驾驶技术作为解决交通安全问题的主要方案受到广泛的关注。局部路径规划是自动驾驶技术中不可或缺的关键环节之一。无人车的局部路径规划技术既要考虑到道路交通中的避撞问题,又要考虑车辆行驶的舒适性、行驶效率等问题。而道路环境中的障碍物检测是局部路径规划避撞的前提,因而有必要将道路环境中障碍物的检测纳入局部路径规划技术的研究中。本文将研究的内容分为两部分,分别是激光雷达的障碍物检测方法研究与局部路径规划技术的研究。具体内容如下:在环境感知部分,本文采用三维激光雷达对环境信息进行采集,获取了大范围的点云数据。对数据的处理,主要分为障碍物的检测和运动信息提取两部分。首先为了去除点云数据中的背景点云,采用了RANSAC和GPF算法对路面进行分割,通过实验证明了本文提出的GPF算法在处理地面数据点时具有更加稳定、准确的效果。去除地面数据后,本文采用多聚类阈值的欧式聚类算法完成障碍物的检测。接着为了提取障碍物的运动信息,先根据障碍物的聚类结果建立障碍物的方盒模型并提取障碍物的几何形状、位置、强度等特征。结合这些特征,提出使用多特征的最近邻关联算法对前后帧的障碍物完成关联匹配,最后通过卡尔曼滤波算法对障碍物的运动状态进行估计更新。在无人车的局部路径规划部分(轨迹规划),本文首先将笛卡尔坐标系的下规划问题转换到Frenet坐标系下进行计算,降低了算法运算需求。为了对三维的轨迹求解,本文将其分解为Frenet坐标系下横向和纵向轨迹的优化问题。在对横向和纵向轨迹优化的过程中,结合了多项式和采样的方法对轨迹簇进行拟合,然后根据舒适性、行驶效率要求设计轨迹评价函数,求解最优轨迹。在不同的场景中对轨迹优化的目标有所不同,为了保证算法能够取得更好的效果,本文将纵向规划时所有场景分为四大工况,定速巡航、跟车巡航、换道汇流与停车工况。为了解决静态和动态障碍物的避撞问题,本文设计了二级碰撞检测方法对规划的轨迹进行碰撞检测,保证行车的安全。为了保证轨迹的可行性,对车辆行驶过程中的相关约束进行分析,包括转向系的机构限制、车辆的运动学、动力学约束等。最后通过python可视化编程库matplotlib搭建仿真场景进行仿真验证,仿真结果表明本文提出的轨迹规划方法能够在保证安全性、舒适性以及行车效率要求的前提下,很好的完成多种工况下的行车任务。