激光雷达具有测量精度高、抗干扰能力强等特点,是机器人技术领域的重要传感器。基于激光雷达构建环境地图与进行障碍物精确测量是实现机器人自主行驶(行走)的基础任务,然而现有的算法仍存在局限性:一是目前的激光SLAM算法忽略了激光点云信息间的联系,导致在走廊,路口等常见场景下,建图不完整且过程耗时。二是利用视觉信息对小型障碍物测量的方法精度普遍不高,而激光点云信息密度低,难以满足测量要求。因此如何利用激光雷达高效的完成地图构建,如何完成精确的小型障碍物测量是非常具有研究意义的课题,这不仅能够大大扩展激光雷达的应用场景,也为机器人进行路径规划、动态避障等高级决策提供有益帮助。基于上述背景,以激光点云信息处理为研究内容主线,从基于激光雷达的鲁棒性地图构建与完成小型障碍物精确测量两方面进行研究。具体研究内容如下:(1)提出一种在激光雷达无回波区域的地图构建算法,提高了地图构建的效率,弥补了激光SLAM完全依靠回波数据建图的不足。对有回波区域的激光点云信息进行聚类与信息类的端点特征提取确定无回波区域,接着更新该区域的栅格占用概率来构建完整地图。借助机器人操作系统(Robot Operating System,ROS)进行实际测试,实验表明:算法能够精确地完成无回波区域的建图任务,在构建局部楼道地图(10m×2.5m)时最高可节约建图时间183.6s,增加建图面积56.7%,建图误差低于1.2%。(2)提出了一种基于三维激光点云信息的障碍物测量方法。综合利用点云信息的距离与角度信息,构建合理的数学模型完成对障碍物最大宽度、距离与方位角度的测量。以机器人为载体,使用16线Velodyne激光雷达进行室外实验,与行人距离范围在4.51m～7.50m时,测距离、最大宽度平均误差分别为0.32%、2.11%,测方位角度误差为0.20;与汽车距离范围在14.56m～17.54m时,测距离、最大宽度平均相对误差分别为0.35%、2.28%,测方位角度误差为0.23。(3)提出了一种融合激光雷达与视觉信息的小型障碍物测量算法。使用单一传感器测量精度低,现有的融合算法效率低且在测量小型障碍物时难以发挥各传感器的优势,因此提出了“雷达验证视觉”的决策级融合算法。先利用视觉信息进行基于深度学习的障碍物检测,在机器人运动过程中,当检测区域内的激光数据量满足要求,将视觉检测的区域投影至激光雷达坐标系获取当前区域的激光点云信息,进而基于障碍物测量算法完成小型障碍物的测量。使用16线Velodyne激光雷达与工业IDS相机进行方法验证,结果表明:算法即使是在机器人运动过程中,也能保证测量小型障碍物的最大宽度误差小于2.4%,测距误差小于0.15%。