无人驾驶车作为智能交通系统的重要组成部分,主要是为了解决日益严峻的交通安全问题。它包括环境感知、规划决策、控制执行三个部分,其中,环境感知系统性能的优劣直接关系到无人驾驶车能否安全行驶。论文以四线激光雷达这一主动传感器作为研究对象,对无人驾驶车可行驶区域内的目标检测与跟踪问题进行研究,主要内容如下:(1)根据激光雷达的工作原理和对雷达数据点的特性进行分析,对传统的DBSCAN算法进行改进。雷达数据经过预处理之后,根据其扫描到结构化或半结构化道路的特点,结合k最近邻方法绘制雷达数据集的Dist_k图,利用雷达数据集密度分层的思想,使算法参数(Eps,Minpts)可以自适应选取,完成多密度数据集的聚类。改进后的算法可准确聚类不同密度层次的雷达数据点,为后续道路信息的提取与障碍物检测打下基础。(2)根据雷达扫描到道路上的数据特点提出道路信息提取算法。通过对路沿数据点的特征分析,提出基于共线点的二次提取算法将路沿数据集提取出来,并提取路沿高度,滤除干扰路沿,最后利用最小二乘法拟合路沿。根据路面点的特征对路面点进行标记,并从剩余数据中提取前方障碍物的位置、大小和距离等信息。实验验证本论文提出的算法可以满足复杂道路场景下道路信息的提取。(3)利用逆传感器模型直接在直角坐标系下建立栅格地图,并提出基于DST(Dempster-Shafer Theory,DST)与PCR2的栅格地图更新算法。解决了DST在高冲突条件下,融合结果变差的缺点,且在栅格地图更新时,无需进行坐标转换,提高了栅格地图更新的精度和速度。利用DST中的冲突系数检测动态目标,经过闭运算处理和基于区域生长的广度优先标记算法处理,提取无人驾驶车前方的动态目标信息。(4)在栅格地图中,对检测出的运动目标进行跟踪。对多目标跟踪技术中的关键问题数据关联算法进行研究,提出一种改进的联合概率数据关联算法,并结合Kalman滤波器对无人驾驶车周围环境中的多目标进行跟踪。本论文为每个被跟踪目标建立一个可变跟踪门,增加了运动目标跟踪系统对环境的适应能力。实验表明,该算法可以稳定准确的对无人驾驶车前方的动态目标进行跟踪,并且在密集环境下依然可以为被跟踪目标匹配最优关联目标。