环境感知系统是自动驾驶的重要组成部分,它从多种传感器中收集多模态数据,对周围环境进行分析和理解,将感知的结果进行融合并发送给决策模块,作为指导车辆行驶的重要依据。激光雷达作为环境感知系统中最重要传感器之一,能够为车辆行驶提供周围场景的点云信息。基于激光雷达的三维目标检测和点云实例分割帮助车辆对环境中的感兴趣目标进行识别、定位以及更高级的感知理解。激光雷达的感知结果需要与相机等传感器的感知结果进行融合,以实现对目标的信息汇总。多传感器的标定技术是影响融合效果的重要因素。目前的环境感知系统还不能满足完全自动驾驶对感知精度和可靠性的要求,其感知精度、融合质量和计算速度仍需不断提升。为提升自动驾驶环境感知的速度和精度,本文对环境感知的关键技术,即三维目标检测、三维点云实例分割以及相机与激光雷达自动标定算法,展开了理论分析、算法设计、技术实现和实测验证等工作,主要的研究内容如下:（1）提出一种基于稀疏卷积的单段式三维目标检测算法。为解决三维目标检测中存在的效率与精度不平衡问题,设计了基于全稀疏卷积神经网络的特征提取网络和检测头网络,用前景分割的方法代替锚框的检测方法,在每个前景点预测多个方向上的边界框。同时,提出一种新的目标边界框编码方法,将目标边界框表示为穿过前景点的两条互相垂直的线段,通过预测线段端点相对前景点的偏移量间接的计算目标的边界框。在KITTI数据集上的实验表明本文提出的基于稀疏卷积的单段式三维目标检测算法相对主流算法在速度和准确率上提升明显。（2）提出一种基于稀疏卷积的两段式三维目标检测算法。针对三维目标检测中存在的弱小困难目标检测准确率低的问题,设计了基于目标中心的三维目标检测方法,首先在鸟瞰图上预测目标中心的位置,之后计算每个目标中心上的特征,最后在每个中心上预测目标的边界框。为了高效的计算目标中心的特征,提出了可指定输出激活点的稀疏卷积神经网络（assignable output active point sparse convolutional neural network,AOAP-SCNN）。用AOAP-SCNN对三个尺度的特征图进行处理,得到每个目标中心的多尺度特征。与基于稀疏卷积的单段式三维目标检测算法相比,在KITTI数据集的中等和困难目标上,该方法的检测指标提升明显。同时,该方法可进行实时的点云处理。（3）提出了一种基于前视图的点云实例分割算法。为解决快速实例分割算法中存在的分割精度差的问题,将点云还原成固有范围视角（native range view,NRV）作为前视图,对前视图进行分割实现对点云的分割。在特征提取网络中,设计了嵌入Tiny-Point Net的DLA网络,该网络使用简化的Point Net网络提取前视图内点云的局部特征,同时DLA网络进行多尺度特征提取。在两者输出的特征经过叠加融合后,多任务头网络在融合特征上预测每个像素点前景评分、中心偏移量、目标尺寸和目标朝向。最后,使用聚类算法将目标预测中心进行聚类,每个类别代表一个实例。在实验中,利用KITTI的三维目标检测数据集生成了用于训练点云实例分割的数据集,实验表明,本文提出的算法在分割精度和速度上都优于同期算法。（4）提出了一种基于点云分割和图像分割的激光雷达与相机标定算法。为解决现有自动标定算法存在的优化计算量大、计算时间长等缺点,设计了基于嵌入式平台海思Hi3559AV100的相机和激光雷达自动标定系统。该系统目的是实现车载状况下的在线标定。该方法基于点云和图像分割,生成包围目标点云的三维锥体框和二维目标分割掩图外接框,并利用基于虚拟点对应的方法生成2D-3D对应点,最后利用Pn P解出相机和激光雷达的外参矩阵。并且,针对嵌入式平台海思Hi3559AV100,提出了自动标定算法的模型转化和推理方法。在KITTI数据集上的仿真实验和室外实验表明,本文提出的自动标定算法起到了校正相机与激光雷达外参矩阵的作用,该自标定系统具有应用价值。