路沿作为城市结构化道路的重要组成要素,具有不可逾越性,是道路可行驶区域与不可行驶区域的重要分界线。在换道超车、靠边停车等场景下,路沿的位置可作为最重要约束条件之一。快速且精准地识别路沿信息对于无人驾驶车辆的环境感知具有重要意义。相比于其它感知传感器,激光雷达以其性能稳定、抗干扰能力强且不受光照影响等优势得到智能驾驶领域专家学者们的高度重视。本文依托于某自主品牌无人驾驶汽车平台,对基于道路整体信息的激光雷达路沿识别算法开展研究工作。该无人驾驶汽车的激光雷达安装于车辆进气栅格前,相比于安装在车顶的激光雷达更易于路沿的识别。把采集的点云数据转换到空间直角坐标下。构建点云数据的剔除方法,结合滤波方法对点云数据进行预处理。然后对预处理后的点云数据进行路面点云特征提取。运用拐点检测算法识别路沿拐点,随后提出基于道路方向的聚类算法进行拐点的聚类。最终运用最小二乘法三次曲线拟合路沿边界线,实现道路路沿的识别。本文具体研究内容如下:(1)研究激光雷达点云建模方法。系统地分析了激光雷达在不同安装位置的优缺点,并通过安装在进气格栅前的激光雷达进行数据的采集。研究路面点云数据的分布情况,提出在x,y,z三个方向上点云数据剔除方法,依次进行孤立点和随机噪声的滤波,得到预处理后的点云。通过比较直角栅格和圆弧栅格建模的优缺点,选取圆弧栅格建模对点云数据进行建模。(2)研究路面点云分割算法。分析车载激光雷达路面点云数据形态变化和障碍物点云与路面点云的区别,构建两种识别路面点云特征的方法,实验选取其阈值,进行路面点云的识别。通过识别出的路面点云和预处理后的点云构建障碍物点云图。对障碍物点云图进行膨胀,构建障碍物到激光雷达的距离R与水平角?之间的关系图,获取道路延伸方向和宽度等道路信息。(3)研究点云的路沿拐点提取算法。在障碍物点云图中分析路沿拐点的形态特征,构建路面点云与障碍物点云之间的路沿区域点云图,运用弯曲度拐点检测算法对路沿拐点进行识别。结合道路的信息对识别出的拐点进行聚类,最后通过最小二乘法三次曲线拟合聚类路沿拐点。以该自主品牌提供的车辆作为硬件平台,ROS机器人操作系统为软件平台,进行大量测试与实车实验,验证了本文所提出的基于道路信息的激光雷达路沿识别算法的可行性、有效性及鲁棒性。