伴随着经济和交通系统的快速发展,智能车辆作为智能交通体系的重要组成部分,得到了普遍的关注和研究。智能车的关键技术也被视为解决交通问题的关键。四线激光雷达拥有数据量适中、测量精度高、多目标探测和受环境影响小等优势,被广泛应用于智能车辆的环境感知系统。本文利用四线激光雷达对智能车前方区域的道路信息提取技术进行了研究,主要包括以下内容:第一,提出基于激光雷达工作原理和扫描数据的分布特征改进的DBSCAN算法。雷达数据经过滤除多余回波、中值滤波和坐标变换等预处理后,根据扫描到结构化、半结构化道路的数据分布特点,通过对比不同的聚类算法,运用一维核密度估计和4-dist近邻加权欧氏距离,自适应选取DBSCAN算法的参数(Eps、Minpts),排序后依次调用该算法完成了多密度聚类;并采用峰值邻域搜索和分层处理方法来改进算法的搜索范围,进一步提高算法的性能。第二,根据结构化和半结构化的城市道路特点提出道路信息提取方法。在改进的聚类算法基础上,根据雷达数据中物体的不同特征,首先提取路沿点集和路沿的高度信息,用最小二乘法拟合道路边界线;对路沿高度附近且符合路面特征的点进行标记,然后提取剩余数据中障碍物的距离、方位和尺寸等信息。不同场景下的实车实验验证了道路边沿、路面和障碍物信息提取方法的有效性。第三,提出了一种基于障碍物多特征信息改进的ICP(Iterated Closest Points)算法,以完成相邻两帧雷达数据的快速匹配。构建多特征匹配相似度函数,取代常用的欧氏距离度量,来改进ICP算法的匹配策略。改进后的算法大大降低运算的数据量,并减少了运行时间。第四,研究了栅格地图的更新策略和动态目标的跟踪方法。通过建立栅格地图对智能车前方区域进行表示,运用障碍物的多特征匹配结果对准前后帧的栅格地图,采用贝叶斯理论更新栅格地图;根据栅格的占据概率来检测动静态障碍物,使用卡尔曼滤波器和跟踪管理策略实现对道路内的动态目标的稳定跟踪。最后,以北京工业大学BJUT-IV智能车作为实验平台进行大量的实车实验,结果表明提出的方法能够稳定、准确提取前方道路的信息和跟踪动态目标。