无人驾驶系统融合了智能交通、通信技术、计算机技术等多种技术,为人类出行提供方便。在未来,无人驾驶车的广泛应用能大范围减少交通拥堵,降低交通事故率,因此,无人驾驶车的研发已受到广大关注。它先通过平台中各种传感器来获取交通环境信息,再基于多种语言算法对收集的数据信息进行识别,然后通过决策级融合对识别的数据进行校准和修正,输出较为准确的有效障碍物目标信息,最后通过合适的目标跟踪模型完成对运动目标的位置预测,从而为无人车的安全行驶提供了有力的技术保证。本课题依托激光雷达(LiDAR)和视觉相机(vision camera)等传感器实时收集交通环境信息,为了能够准确输出不同驾驶环境下的不同种障碍物位置、形状和置信度信息,本文采用了改进的目标识别YOLO(You only look once)算法对初始的数据进行计算,然后引用了相融距离测度矩阵搭建了数据融合的平台,实现了对多传感器数据的融合,之后又通过交叉面积等方法完成了对模型的修正,实现了精确识别目标的过程,最后引入Kalman滤波跟踪算法,完成了对运动目标的位置预测。基于以上介绍,论文主要包括以下研究内容:首先,从激光雷达和视觉相机的角度出发,分别介绍两种传感器工作的原理,在这个基础上,结合深度学习的目标识别算法,选择卷积神经网络算法中的YOLO算法进行详细的分析,重点搭建了基于Caffe框架下YOLO模型算法,对样本选择和训练步骤优化等过程进行了分析和选取,从而为后续目标识别算法的优化做准备。其次,来自激光雷达和视觉相机的数据,经过像素集计算和降噪处理,分别产生深度图像和单目视觉的彩色图像,并被输入到改进的YOLO算法中,该算法可以对行人、非机动车等小目标进行二次检测,在大量图像样本用于训练YOLO算法以获得相关参数并建立目标检测模型的情况下,将测试样本用于决策级融合的模型验证以证明模型的合理性。最终结果表明,当训练步骤设置为10000,学习率为0.01时,提出的模型方案性能较优,此时改进YOLO算法中的二次图像检测方案能在39ms内根据识别到的目标种类判断是否进行多次图像检测,从而最大限度地保证行人、非机动车等目标不丢失。最后,提出了一种基于YOLO的Kalman滤波目标跟踪算法,首先应用Kalman滤波建立了对运动目标的跟踪模型,然后基于YOLO算法建立了状态向量模型,在定义了方差矩阵后,通过不断地运动模型更新完成对目标的跟踪。最后的结果表明,利用Kalman滤波预测的目标位置与实际检测的位置误差基本在5个像素之内;不同图片帧下,同一跟踪目标交并比的比例维持在0.7以上;在与其他方法的比对上,本文提出的方法整体误差更小,能更为准确地反映预测目标模型与实际模型之间的关系。