近年来人工智能领域最热的创业项目非自动驾驶莫属了。自动驾驶技术也被称为无人驾驶技术,使用传感器感知周围环境,利用机器学习算法,控制车辆在没有人类干预下,安全地完成驾驶任务。自动驾驶不仅可改善人们通勤体验,同时可以大大降低交通事故的发生,缓解交通拥挤问题。自动驾驶感知领域的重要一环是车辆位置检测。车辆位置检测就是利用传感器采集的信息,检测出周围车辆与自动驾驶车辆的相对位置。随着深度学习技术的发展,通用目标检测技术也逐渐变得成熟。但对于自动驾驶场景来说,通用目标检测技术只能检测出摄像头视角下的相对位置,无法获得真实空间中的位置信息,且存在实时性较差,易受光照变化影响等问题,需要做进一步的改善才能满足要求。本文的第一个工作是研究了基于融合的感兴趣区域特征的蒸馏学习机制,利用训练好的大检测模型指导轻量级的小检测模型的训练。在不需要使用Image Net预训练模型初始化网络的情况下,小网络仍然取得较好的检测效果。该方法可以使我们更加容易训练轻量级的模型,加快了算法的研究迭代速度,并且可取得较好的检测精度。此外传统的通用目标检测技术由于是基于二维图像,难以获得图像内物体大小的尺度信息,也就是无法估计图像中车辆的实际位置。激光雷达可以获取周围环境的3维位置信息,且具有较高的可靠性,自动驾驶技术安全性是一切的前提,因此使用激光雷达进行环境感知是重要的研究热点。本文另一部分工作是研究基于摄像头与激光雷达点云数据融合的深度学习车辆检测方案。现有的多模态融合车辆检测技术,在实时性和检测精度上还有所欠缺。我们利用提到的蒸馏学习机制训练更加轻量化的特征提取网络,且使用特征金字塔结构进行跨层级融合物体的语义信息和细节信息特征,最后对多模态特征采用channel shuffle技术更好地深度融合摄像头与激光雷达特征,使网络在多任务学习策略下更快更好地收敛,实验表明本文提出的方法实时性和检测效果不错。