相邻障碍物的分割是无人驾驶领域的技术难点，低线激光雷达点云稀疏，无法聚类远距离物体，但激光雷达线束越多越昂贵。为了实现低成本聚类分割相邻障碍物，实验场景选取常用交通场景对象相邻的人/人、人/车，提出了一种基于多帧融合的相邻障碍物分割方法。基于惯性测量单元、激光雷达融合多帧点云，解决了低线激光雷达因分辨率低而无法聚类远距离相邻行人的问题。提出改进的欧式聚类，加入自适应阈值和向量角度约束两个新的分割标准，提高相邻障碍物的分割效果。实验结果表明，该方法具有成本低、聚类精准等特点，与单帧传统欧式聚类算法相比，该方法针对相邻障碍物分割的准确度提升约30.7%，对低线激光雷达在障碍物聚类以及后续的检测具有一定参考意义。

针对移动机器人在未知环境感知过程中对三维点云快速聚类分割的需求，提出一种基于图像信息约束的三维激光点云聚类方法。首先通过点云预处理获取有效的三维环境信息，采用RANSAC方法进行地面点云的分割剔除。其次传感器数据在完成时空配准后引入YOLOv5目标检测算法，对三维点云K-means聚类算法进行改进，利用二维图像目标物的检测框范围约束三维点云，减少非目标物的干扰；基于图像检测信息实现点云聚类算法的参数初始化；采用类内异点剔除法优化聚类结果。最后搭建移动机器人硬件平台，对箱体进行测试，实验结果表明，本文方法的聚类准确率和聚类时间分别为86.96%和23 ms，可用于移动机器人导航避障、自主搬运等领域。