智能车辆已成为现代汽车工业的发展重点,也是未来汽车技术发展的主要方向和关键竞争领域,这一趋势对汽车环境信息的获取和准确性提出了更高的要求。环境感知作为环境信息获取的关键核心技术,对于保证智能车辆行驶安全性至关重要。三维激光雷达具有分辨率高、探测距离远、抗干扰能力强等优点,在智能车辆环境感知系统中得到了广泛的应用。环境感知需要提供实时的、准确的障碍物目标状态信息,因此需要构建高效的基于三维激光雷达的障碍物检测与跟踪算法。本文针对激光雷达点云数据规模大、稀疏性、无序性的数据特点,围绕智能车辆环境感知需求,以实时获取障碍物的状态信息为目标,研究构建了基于三维激光雷达数据的环境建模、障碍物检测与跟踪的系列算法。论文主要研究内容如下:(1)针对目前地面分割算法在处理坡度路面时存在的欠分割问题,提出了自适应区域增长平面拟合的地面分割算法进行地面点云分割。该算法以平面模型表征地面,以平面法向量的角度变化表征地形变化,利用增量平面拟合考虑局部路面信息,以实现自适应的地面点云分割。实验数据表明,该算法在处理坡度路面时提高了地面分割算法对于地形的鲁棒性。(2)针对非道路边界点对道路边界拟合的干扰问题,利用形态学滤波算法消除非道路边界点的影响;针对点云数据稀疏性导致的聚类过分割问题,采用形态学闭运算进行预处理,利用连通域标记算法进行目标聚类。完成了无道路边界约束和有道路边界约束的障碍物检测对比实验,验证了道路边界检测的重要性和算法的有效性。(3)针对复杂密集交通环境下多目标跟踪系统中数据关联计算量大、误关联的问题,提出了基于障碍物目标先验知识的跟踪门,根据前后两帧障碍物目标的特点进行数据关联以进一步简化计算。利用联合概率数据关联算法和扩展卡尔曼滤波算法进行非线性系统状态估计,以获取障碍物目标的状态信息。最后基于真实道路环境模拟算例,验证了所提出算法的可行性和有效性。