Para vehículos autónomos, los resultados de detección de obstáculos utilizando lidar 3D se presentan en forma de nubes de puntos y están distribuidos de manera desigual en el espacio. El agrupamiento es un medio común para el procesamiento de nubes de puntos; sin embargo, la selección inadecuada de los umbrales de agrupamiento puede llevar a una subsegmentación o sobresegmentación de las nubes de puntos, resultando en detecciones falsas o en la omisión de la detección de obstáculos. Para resolver estos problemas, se requería un nuevo método de detección de obstáculos. En primer lugar, aplicamos un filtro basado en la distancia y un algoritmo de segmentación del suelo para preprocesar la nube de puntos 3D original. En segundo lugar, propusimos un algoritmo de agrupamiento con un radio de búsqueda de vecindario adaptativo, basado en el análisis de la relación entre el radio de agrupamiento y la distribución espacial de la nube de puntos, adoptando el ángulo de inclinación de la nube de puntos y la resolución del ángulo horizontal del lidar, para determinar el umbral de agrupamiento. Finalmente, se utilizó una plataforma de vehículo autónomo y el conjunto de datos KITTI de conducción autónoma fuera de línea para realizar experimentos comparativos en múltiples escenas entre el método propuesto y un método de agrupamiento euclidiano. Los resultados experimentales en vehículos reales en múltiples escenas mostraron que nuestro método mejoró la precisión del agrupamiento en un 6.94%, y los resultados experimentales del conjunto de datos KITTI mostraron que la puntuación F1 aumentó en 0.0629.