随着科学技术的飞速发展,人工智能已然成为新时代科技的宠儿。而无人驾驶作为人工智能最重要的研究领域之一,也掀起了全球研究的热潮。无人驾驶技术主要分为感知、决策、规划和控制四大领域,其中感知被称为无人驾驶智慧之眼,是无人车辆与外界环境交互的重要纽带,是其余三大技术的基础。无人驾驶中的感知技术是指车辆通过传感器与外界环境进行交互,比如相机、激光雷达,毫米波雷达、超声波雷达等传感器。单一传感器具有某些不可避免缺陷。例如,相机分辨率比较高并且具有丰富的色彩信息,但是其对光亮非常敏感。当在夜晚或者进入隧道等暗淡的地方,相机的价值就会大大折扣。激光雷达使用了对光照不敏感的红外光,并且可以弥补相机缺失的深度信息。然而,单个激光雷达的分辨率非常低,会降低无人车辆对障碍物的感知与识别能力,所以需要采取一定的措施来提高激光雷达的分辨率,从而提高无人车辆的感知能力。为此,本文深入研究了多激光雷达与相机两种传感器的融合技术,并将融合后系统应用于场景识别。对于激光雷达点云配准算法,如经典的ICP算法和NDT算法。ICP算法的缺陷是初始化不当会造成迭代过程不能向正确的方向收敛,使得算法陷入局部最优。NDT算法的主要缺点是收敛域差、代价函数的不连续性以及室外环境下稀疏点云不可靠的姿态估计等问题。对于已有的相机与激光雷达融合算法,由于光照和点云强度问题会造成图像和点云角点提取存在误差。对基于DBoW2算法的纯图像场景识别,其主要缺陷为一旦图像识别错误就会造成场景识别失败。针对以上问题,本文研究的主要内容如下:(1)对于多激光雷达配准算法,本文提出一种新方法,基于人工鱼群优化算法,将其思想应用到点云配准问题,求解多个激光雷达之间的位姿变换,从而避免初始化不当问题,减少了配准时间,达到了配准误差更小的效果。(2)在相机与激光雷达融合算法的实现过程中,本文提出了一种基于平面和直线拟合的方法来计算三维点云数据中的角点坐标。然后设计自制的标定板,通过手工寻点法精确获取图像中角点的像素坐标。最终使求取的相机与激光雷达之间的变换更加精确,成功将相机与激光雷达两种传感器融合。(3)本文最后将融合后的多传感器应用于场景识别,对原DBoW2算法进行了改进。通过与图像同步的点云数据对原算法的错误结果进行验证与修正,使得最终的识别成功率高于原算法,证明了多激光雷达与相机的融合具有一定的研究意义与实用价值。