车载激光雷达为智能驾驶汽车提供精确的周围空间几何信息而成为车载主流传感器。为克服单传感器对目标检测的局限性，对激光点云的几何特征、空间可见性特征和图像语义信息在合理设计的网络框架中进行融合，进一步提升3D行人检测精度。首先采用高效的三维空间光线投射算法形成空间可见性特征编码；其次融合图像语义类别信息，增强点云特征；最后定量和定性分析各附加信息和相关超参数对检测结果的影响。实验结果表明：相比单帧点云，结合历史前10帧点云后3D行人检测精度提升32.63个百分点；进一步融合图像语义和点云空间可见性信息，相比基准方法，所提方法的检测精度提升2.42个百分点，且超过部分主流方法，更加适用于交通场景的3D行人检测。

激光雷达在无人驾驶领域占据了重要地位，地面滤波是从激光雷达获取的点云数据中分离和提取地面信息的关键技术。文章首先简述了车载激光雷达(VLS)的发展及分类，并讨论了各类车载激光雷达的优缺点；然后研究了VLS地面滤波算法的发展并进行梳理分类，阐述了地面滤波精度的评估方法和评估标准，并以三种典型的算法为例进行比较分析；最后总结了当前VLS硬件和地面滤波算法的不足，并展望未来发展趋势。

针对现有行车障碍预测方法存在目标单一性、预测速度慢和准确性不佳等问题, 提出一种融合空间注意力机制的卷积神经网络Coll-Net以及基于Coll-Net的车速控制和障碍方向判定策略。模拟驾驶员通过视觉信息判断障碍的机制, 以单目视觉图像作为输入, 首先对图像做预处理得到感兴趣区域, 然后利用残差块网络提取区域内的空间特征; 采用空间注意力机制对特征通道上的原始特征进行重新标定, 获得通道权重; 再将通道权重归一化后加权到通道对应的空间特征上, 以此挑选关键特征, 最后送入全连接层和Sigmoid函数中生成预测概率。行车根据障碍预测概率实时确定行车速度并根据多窗口的概率预测值判定障碍方向。实验表明, Coll-Net模型的障碍预测准确率达到96.01%, F1-score达到0.915, 模型推理时间仅需24 ms, 能够实时检测车辆、行人、护栏、墙体等多种障碍物, 并且在低对比度光照环境下仍表现出良好的预测能力, 基于Coll-Net的车速控制和障碍方向判定策略在Udacity Self-Driving数据集上表现出强有效性。

在激光雷达检测障碍物过程中,由于点云近密远疏的特性,车辆的变速移动使得对物体进行分割时出现点云漂移和距离较近的物体难以被分割等现象,容易产生漏检或误检。为了解决此问题,提出一种基于点云射线角度约束的改进欧氏聚类算法,使障碍物检测更加快速准确,所提算法有效解决了点云密度不均匀导致的检测障碍物成功率较低的问题,同时对所提算法进行实车实验。实验结果表明,与传统欧氏聚类算法相比,所提算法能快速准确地对一定范围内的障碍物进行分割和聚类。

随着全球智能驾驶进入产业化与商业化的准备期，车载激光雷达凭借其优异性能已成为不可或缺的环境感知传感器并在硬件技术和应用算法上得到迅猛发展。文章以激光雷达扫描方式及相关技术为切入点对智能驾驶车载激光雷达硬件关键技术进行了介绍，分别讨论了机械式、混合式和全固态车载激光雷达的原理、特点及现状；以智能驾驶应用任务为导向，对点云分割、目标跟踪与识别、即时定位与地图重建这三类车载激光雷达应用算法进行了归纳总结。分析可见，车载激光雷达为降低成本、提升性能、满足智能驾驶需求将进一步走向固态化、智能化和网络化；应用算法研究的追求目标则是实时、高效和可靠。