随着科技的进步,自动驾驶技术逐渐成为未来交通发展的重要方向之一,自动驾驶车辆能够提高交通安全性、缓解交通拥堵、减少碳排放等。在自动驾驶技术中,环境感知是实现车辆自主驾驶的关键,车辆通过各种传感器来感知道路状况和周围环境,从而作出相应的行驶决策。然而传统的单模态感知系统使用单一传感器进行感知,获取的信息有限,难以全面获取真实的路况信息,从而影响自动驾驶汽车的安全性。为了解决这一问题,感知融合技术被提出并得到广泛应用,该技术将多个传感器获取的信息进行融合,实现信息的互补和纠正,减少单一传感器的错误和不足,能够得到更全面的环境感知信息,从而提高自动驾驶汽车的行驶安全性和效率。针对中低速道路封闭园区场景,本文提出了一种基于激光雷达和相机感知融合的障碍物识别算法,旨在提高自动驾驶汽车的环境感知能力。该算法分别对相机获取到的2D图像信息和激光雷达获取到的3D点云信息进行识别,输出单模态感知的障碍物列表以及后处理前的候选框列表,然后使用CLOCs后融合算法融合2D和3D目标检测输出的候选框列表,可以输出精度更高的3D预测框。本文通过改进目标检测算法来提升目标检测的精度。首先,通过改进YOLOv3算法的损失函数以达到更好的回归效果,提升了2D目标检测的精度,并将BN层合并到卷积层以提高训练的收敛速度和推理速度。其次,通过改进CenterPoint算法的点云采样方法来平衡检测精度和检测速度,并且基于CIoU思想提出了3D CIoU损失函数以获得更好的回归效果。最后,扩展了CLOCs算法输入特征向量的维度,并使用残差块替换卷积层使得网络能更好地学习融合的概率相关性,提升了感知后融合算法的精度。本文设计并实现了基于激光雷达与单目相机的目标检测与感知融合系统,通过在实车上安装激光雷达和相机并进行标定,在实车上部署感知系统并进行实车测试。感知系统以车辆、行人和骑行者等目标为检测对象,获取其在三维空间的位姿和类别信息,生成融合后的障碍物列表,能够提高单车的感知能力。实验结果表明,相较于原始YOLOv3算法,改进的YOLOv3平均精度提高了4.54%,检测速度提高了8%;相较于原始CenterPoint算法,改进的CenterPoint算法的平均精度提高了3.42%,检测速度提高了12.82%;相较于原始CLOCs算法,改进的CLOCs算法平均精度提升了3.5%,相较于单模态感知算法,本文提出的感知融合算法有效利用不同感知模态的优势,平均检测精度提升了6.79%。本文提出的改进方法可以应用于其他目标检测算法的感知融合中,具有一定的普适性,对于推动自动驾驶技术的发展具有重要意义。