自动驾驶是目前科技发展的重要一环,目前在园区、港口、矿区等特定环境下已实现了完全的无人驾驶。环境感知是无人驾驶技术中的基石,它为下层决策和规划提供必要的信息,是无人车能够安全驾驶的必要前提。激光雷达作为车辆感知中重要的传感器,能实时高效的获得三维点云,而基于点云的障碍物检测和跟踪研究是智能车动态环境感知的关键问题之一。本文使用VLP-16雷达作为主要传感器,对无人车周边环境进行感知,内容主要包括激光雷达外参标定、背景点云去除、可行驶区域提取、障碍物检测与跟踪研究,具体内容如下:（1）激光雷达外参标定。本文使用纸箱标定算法,获取纸箱“角点”在激光雷达和车体坐标系下的坐标,求解旋转平移矩阵。最终将雷达点云坐标转换到车体坐标系。（2）去除背景点云。先使用RANSAC、GPF算法进行地面识别,采用平面模型代表地面,均可识别平坦道路,不可区分斜坡道路。因此本文提出一种有效识别坡度的算法:首先将车辆前方分割为两个区域,利用GPF算法思路对每个区域内的线束选取最低部分代表点,其次求出分割两平面内有效线束,对每个平面内有效的线束点使用RANSAC算法拟合,再次对拟合的两个平面进行夹角判断,若夹角大于阈值,则对两平面相交的位置处前后点云再一次拟合,从而完成路面的识别,若夹角小于阈值,则无需再一次拟合。最后通过实车验证了算法的有效性与实时性。（3）可行驶区域提取。针对路面点云中路沿点相对路面点高度突变的特征,采用相邻点高度差得到初选路沿点。路沿的高度差存在一个范围,初选路沿点是选取所有高度差异大的点,并未得到一块区域内的高度差,而且路面点云不仅包含路面及路沿,还包含其他周边的点,因此使用栅格地图来选取符合路沿高度范围的点,以及去掉过低或者过高的初选路沿点。使用改进DBSCAN聚类算法对路沿点进行聚类,剔除孤立的杂点,最后使用RANSAC进行路沿线的拟合,得到可行驶区域。（4）可行驶区域障碍物检测。根据DBSCAN聚类算法特点,提出一种自适应阈值的聚类算法,根据不同距离来确定聚类半径以及最小样本点个数。对聚类后的物体使用方盒模型表征障碍物的几何轮廓。最后,建立样本数据集。使用提取特征训练SVM分类器,从而完成目标的分类。（5）障碍物跟踪预测。在完成目标检测以后,需要对障碍物进行跟踪,用关联矩阵的方法来对前一帧的预测与本帧的状态进行关联,并使用匈牙利算法得到最大匹配对。为了得到准确的预测,并针对激光雷达连续帧速度求解波动较大的问题,使用卡尔曼滤波算法对速度与加速度进行最优估计,得到准确的预测位置,从而提高匹配准确率。通过实车验证了估计的准确性,提高了跟踪的正确率。本文使用C++编程,在ROS机器人操作系统上对算法进行处理和消息的接收与发送。