感知系统是无人驾驶平台与现实空间联系最为紧密的部分。在实际道路场景下,感知结果的准确性直接反映车辆整体的智能化水平。本文针对实际道路场景下无人驾驶系统对于环境感知的具体需求,围绕道路场景感知建模中涉及的基于单目相机的车道线检测、基于多特征融合的道路边界提取以及基于三维激光雷达车辆检测与跟踪三个关键问题进行深入研究。相关方法在自主研发的三代无人驾驶平台中得到应用,具体研究内容包括以下几个方面:1)提出基于误差传递模型和Bresenham Line的车道线检测方法。为了提高单目相机模型下道路车道线的量测精度,本文首先引入摄影测量中常用的透视作图分析法,对车道线检测视角下透视变换的点、线、面特性进行分析,构建适合车道线检测的灭点相机模型。然后,利用测量平差中常用的误差传递模型对该相机模型进行分析,计算图像空间的高可靠区域来保证车道线特征尺度的计算精度。为了提高直线检测的算法效率和提取精度,利用计算机图像学中的Bresenham Line直线生成方法,在离散空间提高单位角度内投票直线表达密度,并减少浮点计算提高算法效率。最后,结合基于增量回归的几何模型和卡尔曼滤波的运动模型实现车道线的参数拟合和跟踪。2)考虑三维激光雷达的时空特性,提出基于区域划分和级联特征融合的道路边界提取方法。考虑三维激光雷达的空间特性,结合点云疏密特性,对局部道路场景进行区域划分。首先,对不同道路区域,通过不同尺度下的深度变化特征和角度特征级联的方式实现道路区域由粗到精,由近至远的渐优提取。然后,路面分割的基础上,结合视觉车道线特征,在特征层实现道路多车道模型的超视域检测。最后,结合三维激光雷达的时序特性对整体方法进行优化,利用点云采集过程的间隙时间实现特征检测的异步处理,极大的提高算法整体的实时性。3)提出基于轮廓点云特征线和偏离模型的动态车辆检测与跟踪该方法。引入图像处理中的线特征提取方法,利用点云切向角度平均梯度提取锚点特征。以锚点为轮廓点云特征线提取的起点,利用最小二乘方法在同一扫描线的点云数据中完成最小线特征初始化,并通过邻域增长的方式完成轮廓点云中线特征快速提取。根据点云时空特性,进行直线相似度匹配,得到轮廓主方向线,并在主方向线的基础上完成车辆的实时检测和几何模型构建。结合车道几何参数,构建目标车辆的偏离运动模型,通过卡尔曼滤波器实现车辆位置和姿态的准确跟踪。