无人驾驶汽车(Autonomous Vehicle)是一种具有自主驾驶能力的室外移动轮式机器人。除具有传统汽车的驾驶功能之外,无人驾驶汽车还有环境感知、行为决策、路径规划、运动控制和主动避障等功能。无人驾驶汽车可以减少交通事故、减少能耗,在危险、恶劣等极端环境下可以完成搜救等任务,具有广阔的应用前景。感知系统作为无人驾驶汽车的“眼睛”,其实时性和稳定性直接决定了无人车的安全性和可靠性,以及对多变交通环境的适应性。目前,基于激光雷达的环境感知理论研究方法仍存在一些问题:传感器之间的数据配准与传感器和车辆的标定方法不科学、点云数据聚类易出现过分割现象、障碍物匹配耗时大导致跟踪不稳定等。本文针对无人车感知存在的这三个问题,以中科院合肥物质科学研究院自主研发的无人车“CAS2.0”为实验平台,做了以下的工作:1、针对双激光雷达点云数据配准过程中粗配准阶段对应点对寻找不准确的问题,本文采用球体作为辅助物,通过计算球心作为对应点对进行粗配准,提高了对应点对的重合率;之后同样采用计算球心的方法进行标定。实验结果表明,该方法有效地提高了粗配准阶段初始转换矩阵的正确率,提高了标定的精度,满足实车的实验要求。2、针对现阶段激光雷达点云聚类易出现过分割的问题,本文提出一种两阶段聚类算法。第一阶段采用窗口邻域寻找邻近点,采用联通区域标记方法将障碍物聚为子簇;第二阶段采用自适应确定参数的DBSCAN算法将子簇聚为最终的障碍物。实验表明,两阶段聚类算法具有很好的鲁棒性,有效避免了障碍物的过分割问题。3、针对障碍物跟踪不稳定的问题,提出一种空间点云特性相似度度量的方法。通过提取障碍物的NDF(Normal Distributions Feature)特性和其它刚体特性并加权求和,得到目标和量测的相似度矩阵。通过利用相似度矩阵对确认矩阵进行优化和校正,减少了组合爆炸发生的概率,提高了目标匹配的效率;随后采用卡尔曼滤波算法对动态障碍物的运动状态进行预测。实验表明,该方法提高了目标数据关联和运动状态预测的准确率,有较好的实时性和稳定性。最后,通过城市道路环境下的大量实车实验,验证了本文所描述方法的可行性和有效性。