近年来,人工智能和互联网+的高速发展,将智能网联运载装备推上时代热潮,智能网联车辆不断优化、提升驾驶安全性以及减轻城市交通压力,同时也给用户带来更佳驾车与休闲娱乐体验。自2015年我国持续推出引导智能网联车辆发展的相关政策,目前与国际保持齐头并进态势。智能网联车辆软件系统主要包含环境感知与理解、规划决策以及运动控制等模块,其中环境感知与理解是车辆实现智能网联的技术基础,包含可通行区域检测、目标识别、障碍物跟踪等部分,可通行区域检测旨在获取车辆可安全行驶的方向和区域范围,为后续规划决策和运动控制提供重要参考,是环境感知与理解的基础。目前基于三维激光雷达检测可通行区域大多采用道路路边检测或者道路路面检测,道路路边检测通过路边点曲线拟合可获得光滑的道路延展趋势,道路路面检测通过去除障碍物点可获取道路安全区域,两种检测方法着重点不同,兼顾二者可获得更为全面的道路信息。现下三维激光雷达点云处理方法从基于人工特征提取到基于点云深度学习,效果不断提升,目前点云深度学习通过分割网络可获取较为精确的路面区域,但无法获取光滑的道路延展趋势,这仍需基于人工特征提取方法检测路边来获取。本课题以可通行区域检测为研究对象,仅输入三维激光雷达点云,同时检测道路路边和道路路面以获取光滑的道路延展趋势和精确的道路安全区域,为车辆安全行驶方向和安全行驶区域提供参考。采用基于人工特征提取的方法检测路边,采用点云深度学习的方法检测路面。本文主要研究内容如下:（1）构建可通行区域检测系统及方法架构,建立可通行区域检测模型。可通行区域检测系统包含:车载三维激光雷达传感器、检测算法计算单元、结果输出模块。可通行区域检测方法架构包含:采用基于人工特征提取的方法检测路边、基于点云深度学习的方法检测路面。可通行区域检测模型包含:车辆、道路边缘和道路区域。（2）采用基于人工特征提取的方法检测路边。路边检测过程包含:点云下采样、基于点云线束化特征的候选点提取、路边点划分及提取、路边拟合、路边点帧间跟踪。点云下采样采用体素化削减点云数量。候选点提取采用线束内相邻点特征:径向距离差、梯度、角度、高度差。路边点划分采用随动基点基轴法,可适用于非直道路,路边点提取采用线束内角度搜寻法,分别计算线束内候选点与对应基轴的夹角。路边点拟合采用最小二乘法拟合二次曲线。路边点帧间跟踪采用卡尔曼滤波算法,构建预测模型和检测模型获取路边点最优估计。（3）采用点云深度学习的方法检测路面。路面检测过程包含:搭建Polar Net网络结构、建立损失函数、选用优化策略。Polar Net网络结构包含:基于极坐标系点云环形栅格化、采用Point Net提取栅格内点云特征、采用Ring CNN处理环形特征栅格、采用UNet架构进行点云分割。损失函数采用Lovasz Softmax,基于交并比IOU所构建,采用数学工具lovasz扩展将离散函数光滑化。优化策略采用Pytorch框架中的Adam优化器。（4）采用KITTI数据集训练并测试点云分割网络Polar Net,采用组内平台车车顶32线激光雷达采集环境点云数据,将点云数据分别输入路边检测子系统和路面检测子系统,获取光滑的道路延展趋势和精确的道路安全区域。