无人驾驶作为当前汽车行业发展的主要方向,能为未来行车安全提供重要保障。车载激光雷达凭借其主动获取大场景下的高精度三维空间信息的能力,成为了实现无人驾驶不可或缺的技术手段。地面点滤波是车载激光雷达数据处理的关键过程,也是采用车载激光雷达点云数据实现无人驾驶的必要步骤。本文以innovusion300线激光雷达采集数据为研究对象,充分考虑到激光雷达点云数据分布不均、与真实数据存在偏差、点云存在局部空白、点云无序等特点,详细分析了常见地面点滤波算法中普遍存在的误识率高、对初始点云选取依赖性大、边缘位置滤波效果较差等问题,进行基于高斯过程回归的地面点滤波处理。并采用K-means对算法进行优化,解决算法边缘滤波效果差的问题。本文主要研究内容与结论如下:(1)点云预处理。本文采用单帧点云数据特征分析手段,进行基于最小二乘及旋转矩阵的点云校正及基于激光发射角度的点云扇形栅格化简。实验表明,经过点云预处理后,点云数量降低、点云规律性增强、点云特征数有所增加、点云实际位置与探测位置之间的误差角变小。(2)高斯过程回归模型的搭建。通过比较不同核函数的特点,选取平方指数核函数作为高斯模型核函数,引入DFP算法对高斯模型超参数进行优化。经实验证明,基于高斯过程回归的地面点滤波算法在点云平均误识率方面以及在实际滤波效果方面均优于其他算法。(3)采用K-means算法对预处理后的数据进行四簇的空间聚类。算法对每一簇数据进行单独高斯模型预测,并使用贝叶斯权值分配策略进行模型的加权融合,得到最终的高斯过程回归预测模型。经实验证明,该模型涵盖全局点云特征,成功改善了训练数据集中带来的边缘滤波效果差的问题,且该算法在多种场景下均能达到极低的平均误识率。