智能网联汽车是当今前沿科学技术的重要发展方向,它对于智能交通、现代物流等方面都具有重大的影响。环境感知系统是智能网联汽车安全性和智能性的基础与保障。采用雷达与摄像头融合的环境感知系统可以很好地对前方车辆进行检测,并得到位置、距离、速度等信息。通过这些信息分析其与本车发生潜在碰撞的可能性及危险程度,并划分出不同的风险等级,该风险等级可作为智能决策系统的输入,从而制定更加安全有效的驾驶决策。因此,本文主要的研究内容如下:(1)多雷达数据融合本文针对多雷达数据存在的互补性与冗余性,提出了一种多雷达数据融合的方法。针对多雷达数据的互补性提出了菱形栅格地图,相比于其他形状的栅格地图,菱形栅格地图更加接近于本文多雷达探测的区域。针对多雷达数据的冗余性,提出了基于动态参数贝叶斯的多雷达数据融合方法,通过本文方法可有效降低雷达的漏检率与虚警率。(2)基于雷达与摄像头融合的车辆检测通过多雷达数据融合,得到前方车辆的位置信息,将前方车辆的位置信息通过雷达与摄像头的联合标定关系式投影到摄像头采集到的图像上得到感兴趣区域,在此区域上进行进行基于Alex net的车辆检测,本文所使用的多传感器融合+Alex net方法车辆检测准确率为94.5%,召回率为95.1%,检测时间90ms,基本达到了系统所需的准确性与实时性需求。(3)前方车辆风险等级评估本文首先采集了来自不同驾驶员在中国城市道路环境的自然驾驶数据共超50小时,行驶路程近1800km,数据包括车辆行驶状态、潜在碰撞的前方车辆信息及驾驶员所采取的制动行等。在此基础上,通过对特征提取后的驾驶员制动数据进行聚类来量化风险等级,聚类之初需确定聚类类别数目,本文使用基于CFSFDP算法确定聚类类别数目;此外,不同风险等级的数据存在着不平衡性,本文使用含体量参数的模糊c-harmonic均值进行聚类。接下来将此量化的风险等级作为的前方车辆风险等级标签集,使用随机森林的方法对前方目标车辆进行风险等级评估。结果表明,本文所提出的算法将风险等级划分为五级,对前方目标车辆进行风险等级评估准确为94.3%。