汽车自诞生发展至今,已经取得了巨大的技术进步。随着汽车技术的发展、计算机技术革命以及人工智能的广泛兴起,无人车技术研究也随之兴起,并逐渐成为高校、企业、政府关注的焦点。当前涉及无人车的关键技术主要包括环境感知、决策规划、运动控制等,而环境感知技术则被认为是无人车的基础,在整个系统中具有巨大作用。另一方面,车辆保有量的增加致使某些车辆在使用场景下存在一些潜在风险。本文结合无人车环境感知技术和对典型场景的研究分析,利用激光雷达传感器采集点云数据,实现无人车行驶过程中的障碍物进行检测,在此基础上对涉及的典型场景中的潜在风险进行分析,以此提高无人车系统的安全冗余。本文主要工作及贡献如下:1、针对激光雷达点云数据检测滤波处理过程中出现的地面点云数据与障碍目标点云数据出现的欠分割现象,发展了一种结合点云数据几何特征和栅格地图相结合的方法进行点云数据的地面检测和滤波。首先,对采集的一帧激光雷达点云数据划分整体的ROI区域,对ROI区域按照无人车坐标进行象限分区。其次,在每个象限内的单层数据提取最低点,作为地面点的初步估计值,引入路面反射强度特征数据按照所在象限进行地面点修正估计和滤波。最后,对基于几何特征滤波后的点云数据进行栅格映射,在栅格中滤除“悬空”点云,并进行二次地面检测滤波优化,解决栅格地图地面检测滤波处理形成的欠分割。同时利用ROI与地面检测滤波降低待处理点云数据量,提高数据的处理效率。2、针对栅格地图中障碍目标破裂和现有快速区域标记聚类过程中存在的障碍目标过分割现象,发展了一种基于欧式聚类的八邻域区域标记算法用于栅格地图障碍目标聚类。首先,对占用栅格地图进行形态学处理,解决远距离、大侧透障碍目标的区域联通。其次,在区域联通的基础上进行基于欧式聚类的八邻域标记聚类算法获得完整的障碍目标。最后,对原始占用栅格的数据回访,运用欧式聚类解决密集障碍目标的分割,为障碍目标检测提供研究基础。3、针对论文研究中的典型场景存在的潜在风险,提出了一种结合车辆检测信息的潜在风险检测方法。首先,在障碍目标聚类分割的基础上进行粗略的边界框编码,用于障碍目标的聚类分析、静态目标检测和后续的场景风险检测。获取碍目标的高度面积比特征H/S,进行静态障碍目标检测。其次,对剩余的目标利用成熟的特征描述子结合H/S和最大高度Zmax特征,使用径向基核函数的SV M分类器对障碍目标车辆进行检测。最后基于最近邻关联算法利用障碍目标车辆的边界框信息,对典型场景中的潜在风险进行分析,为无人车安全行驶提供安全信息预警。实验获得了对较远距离以静态目标车辆为基准进行的场景风险提示信息。