随着人工智能的兴起,机器人技术不断的发展,无人驾驶技术已经成为全球研究热点。无人驾驶技术主要利用摄像机、激光雷达、定位惯导系统(IMU)等传感器实现对周围环境的实时感知。而目标检测与跟踪是自主车辆环境感知的重要内容,也是自动驾驶车辆路径规划和决策的重要依据。目前,障碍物检测和目标跟踪算法主要应用在视觉摄像头和3DLidar上。虽然利用视觉作为无人驾驶的主要传感器进行障碍物检测和跟踪的方法是目前的主流,但是这类方法很容易受到光线的影响,在光线较弱的情况下会导致检测和跟踪效果不佳。然而激光雷达因其不容易受外界环境影响能够准确的检测障碍物的大小、距离,在无人驾驶车辆的检测和跟踪中获得了一致的认可。本文以Velodyne 32线激光雷达为数据源,研究应用于无人驾驶的目标检测和目标跟踪算法,主要工作如下:(1)为了减少点的数量,粗略地去除背景点,将扫描点识别为地物或非地物是一个重要的步骤,本文提出了一种基于斜率的多阈值检测算法(Multi Threshold Detection Based On Slope,MTD-BOS)。提出的多阈值算法是一种基于扫描线两点斜率的方法,并且对不同的距离点使用不同的阈值来避免对地面点的误检或漏检。(2)由于激光雷达的工作特性,扫描出的点往往比较稀疏而且稀疏程度会随着距离的增加而增大,导致点云数据难以处理,本文针对欧式距离聚类方法在不通距离下由于距离阈值设置不准确而导致的过度聚类或者欠聚类的不足做出改进,提出了边缘加权欧式聚类法(Edge Weighted Euclidean Clustering,EWEC)。(3)在完成分割和聚类的基础上,本文在卡尔曼滤波的基础上提出了一种基于模型的目标跟踪方法。首先对跟踪对象建模后,然后使用Kalman滤波器计算跟踪对象状态的预测和更新,最后通过数据关联计算相邻帧间的注册簇与预测目标状态的匹配概率,完成目标追踪的过程。(4)为了直观的显示点云的数据以及算法的试验结果,本文根据ROS的Rviz系统并结合opengl开发了激光雷达的数据接收和可视化系统。系统能够通过接收和发布激光雷达原始数据以及算法处理后的数据,并将数据进行可视化。方便了对算法效果的直接观测和验证。