自动驾驶因其对社会和交通的创新影响越来越受到社会的关注。凭借广泛的探测范围、准确的测量数据,激光雷达在当前自动驾驶领域被深入地研究和广泛地应用。高精度激光雷达传感器每秒钟接收数百万个点,其中一半的激光雷达点云数据从地面反射。为了保证自动驾驶汽车的实时信息处理,不能直接使用原始数据,需要进行一些预处理,通过地面点分割来去除地面点,从而大大提高后续的聚类、识别、跟踪和控制等任务的速度。本文基于激光雷达点云数据面向自动驾驶的快速地面点分割方法展开研究,包含以下内容:1、受激光雷达传感器硬件设备本身的影响,采集到的激光雷达点云数据分布不均匀,远近区域提取特征不一致,为此本文引入动态网格划分,网格大小随距离改变,使每个网格中点云数量大致均匀,在保证不增加计算复杂度的情况下让部分特征启发式地面分割方法获得更好的性能。2、基于二分法思想提出改进的高效地面分割方法。针对建立地面骨架需要进行的线性回归次数过多的问题,引入二分思想,减少线性回归次数;根据处理器计算能力划分感兴趣区域,依照激光雷达的物理特性,采用动态网格划分方式划分网格,筛选每个网格中的最低点作为种子点;根据种子点的相对高度特征和斜率特征,采用条件滤波器对种子点中的干扰点进行过滤;通过二分法思想找到关键点,用最小二乘法线性回归,构建地面骨架模型;根据地面骨架模型分割地面点。实验结果表明,该方法在不同场景下具有较快的运行速度和良好的准确性。3、针对激光雷达传感器硬件设备以及处理器硬件设备本身的影响,提出基于分布特征的下采样方法。在尽量保证信息不丢失条件下进行下采样,调节输入点云数量在一个合理范围。4、针对在低功耗边缘计算单元上进行地面点分割的问题,提出GSECnet。GSECnet通过柱状网格化使原始点云数据转换成离散化表示,使用Pointnet提取柱状网格中点的特征,得到相应的柱状特征图;基于U-Net神经网络骨架使用深度可分离卷积极大地减少计算量与参数量;使用Focal Loss解决正负样本失衡问题;应用注意力机制捕捉重要特征。实验结果表明,GSECnet参数量小,具有较快的运行速度,并且该方法可以部署在10瓦功率的低功率边缘计算单元上。