自动驾驶已成为21世纪的时代标签,能够降低由于驾驶员等人为因素引起的各种道路事故,减少伤亡的概率,同时提高通行的效率,缓解严重的交通拥堵问题,将驾驶员从繁重且机械化的驾驶中脱离出来,让出行变得更加容易。安全性是自动驾驶首要考虑的因素之一,自动驾驶能否取代人工驾驶,安全性也是衡量的标准之一,因此从自动驾驶的安全性角度出发,对车辆周围路况场景进行准确的理解和分析十分重要,即环境感知是自动驾驶不可或缺的一个环节。本文针对环境感知中多传感器融合标定和点云目标检测两个方面的内容进行了主要研究,具体如下:在多传感器融合标定方面,通过建立摄像头模型,分析了摄像头坐标系、图像坐标系、像素坐标系以及车辆坐标系之间的转换关系,利用机器人操作系统（Robot Operating System,ROS）工具箱对摄像头进行内参标定,并得到内参结果;通过建立摄像头坐标系与激光雷达坐标系之间的关系,利用Pn P（Perspective-nPoint）算法对两传感器进行外参标定,并得到外参结果;通过建立激光雷达坐标系与惯性测量单元（Inertial Measurement Unit,IMU）坐标系之间的关系,利用最近点迭代（Iterative Closest Point,ICP）算法对两传感器进行外参标定,并得到外参结果。最后通过结果图说明标定取得了较好的效果。在点云目标检测方面,通过数据处理和数据增强,利用深度学习算法Point Pillars网络对处理好的数据进行训练,将测试数据用于训练好的模型进行检测,实验表明,本实验训练模型对汽车和卡车的检测平均精度分别为90.0%、74.3%,预训练模型对汽车和卡车的检测平均精度分别为86.7%、61.5%,相比之下汽车和卡车的检测平均精度提升了3.3%、12.8%。综上所述,本文采用的Pn P和ICP算法,在多传感器融合标定方面取得较好的效果,能够满足车辆道路测试的要求;本文训练的Point Pillars网络模型,在平均精度上有较大的提升,能够较好地实现目标检测与识别。在未来,对环境感知进行更加深入的研究,相信自动驾驶会以更安全的方式融入大众的生活。