智能驾驶技术具有减少交通事故,缓解交通拥堵的巨大潜力,已成为当前汽车行业的一大研究热点。在智能驾驶的众多研究方向中,准确的识别智能汽车近程范围内的交通车辆,估计其运动状态和几何轮廓,并对其未来短时间内的行驶轨迹进行预测,是智能汽车做出正确决策的前提,也是智能汽车安全行驶的重要保障。在对交通车辆进行认知的过程中,存在着以下两个难点:一个是如何准确的估计交通车辆的运动状态,并对交通车辆进行稳定的跟踪;另一个是传感器获取的大多是交通车辆轮廓的局部量测,如何估计出交通车辆的真实轮廓和形心。本文对智能汽车近程范围内的交通车辆进行综合认知,主要研究了交通车辆多感知源的数据关联和运动状态估计问题,以及交通车辆的轮廓和形心估计问题,并通过虚拟仿真以及实车试验进行了验证。针对当前大多数关联方法将检测到的目标视为质点所存在的不足:解决不了雷达将前方大型车辆识别为多个障碍物的情景,本文提出基于轮廓的几何关联方法,将传感器所探测到的交通车辆的轮廓信息用于交通车辆的关联,解决了上述问题。对关联上同一交通车辆的不同传感器获取的感知对象,根据各个感知对象的协方差做加权融合,融合的结果作为卡尔曼滤波器的量测对交通车辆的运动状态进行估计。针对交通车辆的轮廓和形心估计问题,本文提出了基于几何特征的卡尔曼滤波轮廓估计方法。首先根据交通车辆相对主车的位置以及激光雷达的包围盒是否包含明显的特征选取特征点;然后根据视觉以及雷达的包围盒计算交通车辆当前帧的轮廓,作为卡尔曼滤波器的量测对交通车辆的轮廓进行估计,滤波估计时进行择优判断,使得轮廓估计的结果有一个明显的滤波效果,且不会由于当前时刻传感器未检测到交通车辆的轮廓而使得交通车辆的轮廓信息丢失;最后根据特征点的位置以及估计出的几何轮廓求出形心位置。对本文提出的交通车辆综合认知方法分别从虚拟仿真以及实车试验进行了验证。试验结果表明:综合认知后的位置与各个传感器探测的交通车辆的位置相比,更加接近交通车辆的真实形心;使用本文基于轮廓的几何关联方法,将雷达识别的多个障碍物合并为一个对象,解决了大型车辆被雷达识别为多个障碍物的问题;采用本文轮廓估计的方法,轮廓估计的结果有一个明显的滤波效果,且接近车辆的真实轮廓。