无人自主驾驶汽车的研究可追溯到20世纪50年代初美国Barrett Electronics公司研发出的汽车工业中的第一台自主导航车辆（Automated Guided Vehicle System，AGVS）。自20世纪50年代后半期开始，以美国为首，日本、德国、英国等许多国家就相继开展了无人自主驾驶汽车的研究。到目前为止，许多国家对无人自主驾驶汽车的研究和应用依旧表现出了极大的热情，各国从政府领域到高校、科研单位、汽车厂商甚至互联网公司都为此投入了大量的人力、物力，无人自主驾驶汽车技术也得到了突飞猛进的发展，如美国的卡内基梅隆大学（Carnegie Mellon Univer-sity，CMU）的NavLab系统，NASA喷气推进实验室的DEMO系列军用侦察无人车辆，斯坦福大学的Junior，德国的VaMoRs-P系统，意大利帕尔玛（Parma）大学的ARGo车辆系统等。

德国乌尔姆（Ulm）大学Dietmayer教授领导的研究小组多年来致力于智能车辆的研究工作，在ARGOS项目中研究了激光雷达在智能车辆的环境感知中的应用。2002年，该研究小组报道了利用激光雷达，通过特征提取的方式识别和跟踪环境中的目标的工作，提出了一种基于模型的目标分类算法，根据目标的几何外形和运动特性对目标进行分类，并用卡尔曼滤波器对目标进行跟踪。该小组2004—2007年报道的研究工作中，继续利用基于模型的方法识别和跟踪环境中的目标，采用基于距离的方法对激光测量值进行聚类，根据聚类大小，采用不同的特征提取算法，在聚类内提取目标的特征向量，识别不同类别的目标，加入了特别的行人识别算法和车辆目标识别算法。目标跟踪中，如果一个聚类中落入某个假设范围内的测量值的个数与该聚类中所有测量值个数的比值大于一定的阈值，则确认该聚类和假设的关联。当距离较近的几个聚类同时落入一个假设的预测范围内时，这种关联算法将不再适用。2007年至今，该小组应用栅格地图处理激光雷达的数据，建立了车辆行驶环境中的交通设施，包括交通标示、路沿、护栏等的数字地图，通过检测路沿估计道路的可行驶区域，提出了栅格地图中的运动目标检测方法。

意大利（帕尔玛）大学Broggi教授的智能车辆研究小组在机器视觉方面取得了很大成就，但近年来也开始采用激光雷达进行车辆和行人的检测。2006年，该小组报道了利用激光雷达和立体视觉分别建立栅格地图，然后将二者建立的栅格地图进行融合的工作。2009年，该小组报道了利用单线激光雷达SICK LMS211分别检测运动的车辆目标和行人目标。该雷达通过四次扫描获取一帧数据，根据同一帧数据点间的相对位置关系判断车辆目标是否运动，但这种方法只局限于特定的激光传感器。在行人检测中，利用原始的激光雷达数据确定危险区域，在危险区域中通过基于特征的方法检测行人目标，不需要对行人目标进行危险等级的评估，节省了计算量。

法国University of Grenoble的Vu教授领导的智能车辆研究小组利用激光雷达建立环境的栅格地图，在地图中的空白区域检测运动目标，分别利用两种栅格地图代表静态和动态障碍物。利用多假设跟踪（MHT）对动态障碍物进行跟踪。该小组2012—2013年报道的工作中，建立了激光和视觉传感器的融合框架，对利用激光雷达的深度信息建立的栅格地图中识别出的运动目标，利用证据理论融合立体视觉的检测结果进行分类，最终通过多假设跟踪和交互多模型（Interacting Multiple Models，IMM）对激光雷达检测到的多个运动目标进行跟踪。

法国University of technologie de compiègne的Moras等近年来在智能车辆的环境感知方面做出了很大贡献。该组利用激光雷达的深度信息，基于证据理论建立环境的栅格地图，利用证据理论中的冲突信息检测运动目标，并与现有的数字地图相结合，更加准确地对车辆的行驶环境进行感知。该组的工作未涉及对运动目标的跟踪。(www.daowen.com)

Gidel等利用四线激光雷达检测城市环境中的行人目标，首先通过每一层数据分别检测行人，然后对每层的检测结果通过无参密度估计得到某处行人目标存在的概率，相比单线激光雷达的检测结果，检测的正确率有所提高，误检率有所下降。考虑到行人运动的不确定性，采用粒子滤波对检测到的行人进行跟踪。

卡内基梅隆大学Wang等利用激光雷达和里程计同时完成智能车辆在城市环境中的同时定位与建图（Simutaneous Localization and Mapping，SLAM）和多目标识别与跟踪（Detection and Tracking of Multi Objects，DATMO）。文中通过基于距离的方法对深度信息进行分割，在上一帧地图的空白区域中检测运动目标，如果测量数据出现在空白区域中，则认为该测量值属于运动目标；如果一个聚类内的测量值有50%以上属于运动目标，则认为该聚类为运动目标。利用交互多模型（Interacting Multiple Model，IMM）算法估计运动目标的状态并估计其在下一帧中的位置，利用多假设跟踪（Multiple Hypothesis Tracking，MHT）进行数据关联。实验结果显示，该系统能够在城市道路中高速运动的平台上进行多种类别的目标检测和跟踪。

德国奥迪公司的Bouzouraa和Hofmann提出了一种栅格地图与基于模型的目标跟踪相融合的环境感知系统，利用激光和雷达的深度信息建立栅格地图，并在栅格地图中检测运动目标。该文中通过对比当前一帧测量值生成的局部栅格地图和通过时间累积融合生成的栅格地图检测到单元格的动态特性，继而对动态单元格中包含的测量值进行L形折线拟合，并提取特征向量来识别车辆目标，而且实现了地图构建和运动目标跟踪之间的相互促进。

斯坦福大学Thrun等提出了一种应用于高速运动的平台上的基于模型的车辆识别与跟踪系统。该系统将激光雷达的深度信息映射到基于极坐标系的栅格地图中，通过连续两帧栅格地图的不同之处来检测运动目标。但所建立的栅格地图只与当前采集到的一帧深度信息有关，未采用推理算法与之前的栅格状态进行融合，因此不能处理传感器数据带来的不确定性。