无人驾驶是人工智能的重要应用领域,如今越来越多的公司和科研机构在从事无人驾驶技术的研究与应用。无人驾驶由环境感知、定位、路径规划和决策控制关键技术组成,其中环境感知是无人驾驶技术的重点,也是整个无人驾驶技术体系的第一步,其性能直接影响之后路径规划和决策控制的表现。传统的道路信息提取方案多为使用摄像头,利用二维图像处理的算法实现道路边界信息的识别与提取,它的优势在于可以高实时的获取环境信息,但缺点是受环境光强度变化影响明显,在恶劣气候环境（雨、雪、雾等）或夜晚等非常规场景,算法的识别准确度会迅速下降甚至无法识别,因此本文利用激光雷达传感器采集的点云作为输入,克服了传统算法的弊端,此外,采用Velodyne32线激光雷达比传统摄像头具有更好的视角区域,捕捉的信息从二维提升到三维,更为丰富。本课题算法的主要步骤为通过激光雷达采集行车环境的三维点云信息逐帧提取道路边界信息,之后利用边界信息分割出每帧数据的道路点云,最后将每帧包含道路分割信息的点云进行拼接生成一张完整的点云地图。本文的主要内容以及创新之处如下:（1）在数据集的选择上,传统论文使用公共数据集对算法性能进行验证,本文通过实验室自主搭建的实验平台对校园环境进行数据采集,将激光雷达、铝型材固定架以及实验车三者进行刚体固定,逐帧采集校园环境的三维点云数据。（2）针对道路边界点云特征提取的问题,本文首先将每帧离散的点云利用栅格化思想进行降维预处理,之后以栅格为聚类单位通过梯度条件进行初步筛选,接下来根据道路边界点的几何关系与空间分布特征提出了几何特征筛选条件与单线激光数据点分布特征条件的创新点,几何特征筛选条件实现了道路边界点的粗聚类,单线激光数据点分布特征条件滤除了与道路边界点具有相似特征的噪点（低矮植被、石墩等）,实现了道路边界点的细聚类。（3）针对道路边界拟合的问题,本文结合RANSAC（Random Sample Consensus）拟合与多项式最小二乘拟合实现道路边界栅格点的去噪与曲线生成,在二次曲线RANSAC拟合中,对每次拟合过程的时间复杂度进行了优化,最后通过拟合的边界达到了单帧点云道路分割与提取的效果,为之后的点云拼接与地图生成提供了每帧点云数据的道路分割信息。