随着人工智能等技术的兴起,无人驾驶成为未来汽车发展的一个重要方向。但是,由于制造成本和使用安全性等方面的限制,无人驾驶车辆的应用与普及仍有很长的一段路要走。激光雷达作为无人驾驶车辆的主要传感器,其高昂的价格是导致无人驾驶车辆制造成本高的因素之一。决定行驶车辆安全的主要技术之一是可靠、有效的道路障碍物检测技术,这一技术仍没有达到实用的程度。目前,无人驾驶领域的相关研究大多使用高线数的激光雷达实现障碍物检测算法,这样虽然能够有效提升检测性能,但同时也导致了成本的增加。因此,研究在低成本的激光雷达上实现较高准确率的障碍物检测已成为目前无人驾驶领域的一个重要研究方向。本文设计了一种基于激光雷达多帧数据融合的无人驾驶车辆障碍物检测算法。该算法使用较低成本的16线激光雷达,在激光雷达数据增强、障碍物检测、数据集制作等多个方面进行研究,有效提高了障碍物检测的效果。本文的主要工作内容如下:(1)针对16线激光雷达点云数据稀疏导致障碍物检测算法准确率低的问题,本文提出了一种基于惯性测量单元和动态目标检测的多帧点云数据融合算法。该算法依据激光雷达在实际过程中连续扫描的特点,以及无人驾驶车辆上普遍装配的惯性测量单元,将历史时刻的点云信息融合进当前点云,从而达到增强激光点云密度的目的。(2)针对目前障碍物检测算法普遍采用笛卡尔坐标体素划分方法,不能较好地保留空间特征的缺陷,本文通过引入柱坐标,提出了一种基于柱坐标进行体素划分的障碍物检测算法。算法先将点云在柱坐标系下进行体素分组,再进行体素特征提取及空间体征提取,提高了检测性能。(3)针对缺少研究用16线点云开源数据集问题,本文设计了一种利用开源64线点云数据集制作16线点云数据集的方法。通过分析64线点云数据和16线点云数据的区别,考虑了点云密度、点云空间结构、标签大小等因素,将64线点云数据集改造为16线点云数据集。(4)从数据集和实际点云测试两个方面,验证了本文设计的算法在障碍物检测方面的性能。