基于点云聚类的障碍物检测算法有以下几种：

1. 基于欧氏聚类的算法：该算法将点云中的点根据欧氏距离进行聚类，相邻的点被认为属于同一个聚类。常用的算法有DBSCAN（Density-Based Spatial Clustering of Applications with Noise）和MeanShift（均值漂移）等。

2. 基于几何特征的算法：该算法通过计算点云中的几何特征（如法向量、曲率等）来进行聚类。常用的算法有Region Growing（区域生长）和RANSAC（随机采样一致性）等。

3. 基于深度学习的算法：该算法利用深度学习模型对点云进行处理和分析，实现障碍物检测。常用的算法有PointNet、PointNet++、PointCNN等。

4. 基于图论的算法：该算法将点云中的点看作图的节点，根据点之间的关系构建图，并通过图论算法进行聚类。常用的算法有基于最小生成树的聚类算法和基于谱聚类的算法等。

5. 基于密度的算法：该算法通过计算点云中每个点的密度来进行聚类，将密度较高的点划分为一个聚类。常用的算法有基于高斯核函数的密度估计和基于DBSCAN的密度聚类等。

这些算法可以根据具体的应用场景和需求选择合适的算法进行障碍物检测。