目前我国开展无人自主驾驶汽车研究课题的机构主要是一些高校和科研单位，如国防科技大学、西安交通大学、军事交通学院、中科院、清华大学、北京理工大学等。课题的主要导向是在非结构、复杂化场景以及全天候场景下的无人自主驾驶汽车实用化技术方法，以及基于多传感器信息融合的无人自主驾驶汽车复杂系统的鲁棒性研究。最具代表性的典型系统包括国防科技大学的无人自主汽车CITAVT-IV及其与一汽集团合作的HQ3无人自主驾驶汽车，西安交大的Springrobot无人自主驾驶汽车，清华大学的THMR系列无人自主驾驶汽车。

上海交通大学甘志梅等通过提取目标的直线与直角特征来识别车辆目标，从而克服了目标形状变化对识别结果的干扰。但该算法采用固定距离阈值的方法进行聚类，在聚类过程中会丢失远处入射角较小的目标上的点，不仅影响到特征提取的准确性，而且在后续的目标跟踪过程中会产生较大的测量误差。

吉林大学赵一兵等采用激光雷达的成像技术在越野环境下检测水面、斜坡、树木以及凸出的石头等静态的障碍物，这种方法的实时性问题还有待解决。国防科学技术大学刘大学等则通过对四线激光雷达的测量值进行聚类分析，检测越野环境下的静止障碍物，实现了车辆以5～20km/h的速度在中等起伏的非结构化越野环境中的自主驾驶，但未考虑环境中存在运动目标的情况。

浙江大学杨飞等采用三维激光雷达对道路区域建立栅格地图，通过对单元格内测量值的最大高度差来判断单元格是否被占据，通过对占据的单元格进行聚类、特征提取来检测各种形状的障碍物。最终通过卡尔曼滤波器和多假设跟踪实现对道路区域内的多个障碍物的跟踪。这种方法所得到的栅格地图只和当前一帧深度信息有关，不能处理传感器数据的不确定性。(www.daowen.com)

北京理工大学关超华等结合车辆行驶的实际环境，提出了一种基于改进DB-SCAN快速聚类算法的激光雷达车辆探测方法。建立激光雷达与摄像机传感器坐标与车辆坐标之间的转换模型，进行数据融合，通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理，根据车辆在激光雷达探测中的形状特征模型进行形状匹配，实时完成车辆探测，并将探测结果投影至图像上。西安电子科技大学的杜兰等利用目标方位信息基本不改变类内距离，但可以增大类间距离，从而提高雷达距离像识别性能。

西安电子科技大学杜兰等基于散射点模型理论，提出了一种利用距离像幅度起伏特性的特征提取方法，提取的加权距离像特征反映了各个距离单元内目标散射点的分布情况，可以更好地描述目标散射特性。清华大学王肖等针对车辆目标点云受观测点位置和自遮挡等因素的影响，提出一种动态参考点模型用于计算目标速度；对于目标航向角，采用先点云分块聚类后主成分拟合的思路来提高航向角精度；提出一种基于几何形状变化速率的滤波算法来解决几何形状不易测量和复杂多变等问题。

军事交通学院苏致远等为有效检测道路中的障碍物，识别其中的车辆目标，采用雷达相邻扫描点的距离特征分割地面，利用DBSCAN聚类方法对障碍物聚类，利用IEPF算法分割和拟合障碍物轮廓曲线，最后结合多个判据实现车辆目标检测。