随着智能交通的发展,智能驾驶技术受到了广泛的关注。其中,环境感知技术作为智能驾驶系统的基础,是智能驾驶技术研究的重点。环境感知系统由许多功能模块组成,其中,障碍物识别是环境感知系统的关键功能,要求能够对道路行车环境中的各种障碍物(车辆、行人、自行车)进行准确的分类并获取准确的障碍物空间信息,同时还要有较高实时性。目前,大多数障碍物识别主要依靠激光雷达和视觉传感器组成的环境感知平台来完成,且已经取得一定进展。但是,在复杂交通环境下,激光雷达和视觉传感器都会由于环境干扰而受到一定程度的影响,从而导致障碍物识别效果的下降,尤其是对于细节信息和小尺度障碍物的识别准确率还远达不到智能驾驶系统的要求。如何充分利用两类传感器的优势,消除环境干扰,提高障碍物识别对各类障碍物特别是小尺度障碍物的识别准确率,并能获取准确的障碍物空间信息,同时保持较高的系统实时性,是一个十分重要且具有挑战性的问题。为了解决上述问题,本文展开了基于激光雷达和视觉传感器融合的障碍物识别技术的研究。本文的主要研究内容与工作有:(1)研究了基于激光雷达多特征融合的障碍物识别方法,该方法结合了道路区域、障碍物的形态特征和栅格分布规律等多种先验信息作为约束条件,提取并充分利用了多种障碍物的几何特征和激光雷达点云的反射率特征训练支持向量机,实现障碍物的识别与分类。实验表明该方法对于机动车的识别有一定有效性,但是对于行人和自行车等非机动车的识别效果比较一般。(2)研究了基于视觉传感器的障碍物识别方法,以一种高效率神经网络模型(Enet)为基础,根据研究内容的需求设计了一种改进的高效率语义分割网络模型(Enet-CRF)。该网络模型在原有Enet的基础上加入CRF-RNN后端优化网络,通过加入图像像素之间位置关系和RGB信息的约束,进一步提升网络的分类性能。实验表明所设计的Enet-CRF在障碍物分类性能方面有一定的提升,尤其是对于行人和自行车这类小尺度障碍物的识别效果提升明显。(3)研究并设计了一种基于激光雷达和视觉传感器融合的障碍物识别方法(Enet-CRF-Lidar),将激光雷达与视觉传感器在数据层面和高阶特征上进行了深度融合,该方法在原有Enet-CRF网络模型的基础上,加入了高精度的雷达信息,进一步提高了障碍物分类的准确率,实现了一种既能对障碍物进行准确分类,又能获取准确障碍物空间信息的障碍物识别方法,同时该方法还具有较好的实时性。实验表明,本文所设计的基于激光雷达和视觉传感器融合的障碍物识别方法具有一定的可靠性和环境适应性,能够进一步提高智能驾驶环境感知系统的性能。