随着国内物流行业的快速发展,物流行业“最后一公里”末端配送服务的重要性不断提升,配送成本高以及效率低的问题日益凸显。常用于园区、社区和校园等特定场景的低速无人驾驶物流车,逐渐成了各大物流企业和相关研究机构关注的重点。无人车环境感知系统的作用,就如人的双眼一样重要,其主要的环境感知内容,包括对道路边界的检测和路面障碍物的跟踪。基于低速无人驾驶物流车感知系统的成本约束和感知能力的要求,本文选用价格相对较低的单线激光雷达,开发了一套具有良好可视性和实时性的Labview环境信息采集系统。通过实车实验,验证了道路边界检测算法,障碍物聚类算法和低速条件下的障碍物目标跟踪算法的准确性和有效性,具有一定的学术研究价值和工程价值。本文的主要研究内容如下:(1)介绍了单线激光雷达的工作原理和性能,基于Labview的环境信息采集系统的基本架构。在Labview中编写雷达点云信息解析程序,对激光雷达报文信息进行解析。Labview环境信息采集系统中调用包含道路检测算法、障碍物聚类和跟踪算法的动态链接库DLL,以完成对环境信息的采集。(2)提出一种激光雷达的道路可通行区域检测算法。根据二维激光雷达扫描道路的点云的特点,使用最近邻算法去除噪声。对雷达点云的倒“U”型数据去掉路面部分,将剩下的倒“L”型点云提取角点,通过斜率控制求取出路沿点,最后使用最小二乘法确定道路边界的具体位置。道路边界的确定,为低速无人物流车的行驶提供了安全保障。(3)针对障碍物聚类和跟踪问题,提出一种自适应阈值聚类方法和多参数关联以及目标跟踪器管理规则。根据激光雷达扫描路面障碍物的点云形状,设置感兴趣区域,采用改进DBSCAN聚类算法。考虑到距离越远点云越稀疏,采用自适应动态阈值,保证同一个障碍物点云信息的完整。采用基于最近邻算法思想的多参数关联算法,通过对包含障碍物目标的位移、长宽、速度和方向的判定函数求解,来判断不同时刻的点云信息是否为同一个障碍物。对于行驶过程中车辆信息的丢失,采用卡尔曼滤波算法,预测出下一时刻障碍物位置、速度等关键信息,提供给无人车决策系统,以保证行车的安全。通过设置目标跟踪管理器,以障碍物的存在阈值和丢失阈值,保证了所跟踪目标的可靠性,避免了虚警发生的可能,同时保障了目标跟踪的效率。(4)通过低速无人驾驶车作为实验车辆,进行实车测试与实验验证。结果表明本文的研究方法,能够较好的检测前方道路的边界信息,具有良好的障碍物聚类效果,并且可以有效跟踪时速1-20km/h的动态障碍物目标。