可靠的感知能力是智能汽车安全行驶的基础。中国的交通情况比欧美国家更为复杂,存在大量人车混行场景,建立适合中国典型道路场景的感知方案,才能满足自动驾驶的高可靠性要求。本文利用毫米波雷达对前方障碍物进行数据采集,并对获取的目标进行有效筛选、过滤,确定有效目标。再将有效目标通过坐标转换投影到摄像头采集的图像上,建立感兴趣区域,完成前方障碍物的检测。具体研究工作如下:基于毫米波雷达的实验环境搭建。选取大陆毫米波雷达ARS-408作为实验手段,根据毫米波雷达的测距测速测方位角原理,完成毫米波雷达的安装标定与数据采集。并根据雷达数据协议,完成雷达数据的生成与解析,最终选取毫米波雷达的有效目标检测区域,筛选空目标,滤除无效目标,从而完成有效目标的确定。基于深度学习的前方障碍物识别。在yolov3障碍物检测基础之上,融入了空间金字塔的思想,对yolov3主网络部分进行修改,形成了 yolov3-bt目标检测算法。具体的,采用yolov3-bt目标检测算法提高了目标检测准确率,通过调整输入图片分辨率加快了检测速度,从而得到了检测时间与检测准确率的最优匹配值。最后,通过大量实验验证,改进后的yolov3-bt目标检测算法,解决了兼顾前方障碍物检测实时性以及检测准确度的问题。基于中国典型工况感知算法研究。在完成摄像头标定的基础上,将毫米波雷达获取目标投影到图像上,依次完成毫米波雷达投影坐标系、摄像头投影坐标系、摄像头坐标系、图像坐标系之间的转换,从而完成空间数据融合。同时,对中国典型道路工况展开分析,确定融合识别方案。最终实验表明:针对前方障碍物的检测,本文改进后的yolov3-bt目标检测算法比yolov3的目标检测准确率更高,其中行人识别提高了 7%,交通类障碍物识别提高5%。本文基于毫米波雷达与摄像头的融合方案比改进后的视觉检测方案yolov3-bt更为迅速,在检测时间方面提高17.8%。同时针对中国典型道路工况中的行人突然横向穿越场景,本方案检测算法比普通视觉检测算法提前135帧,对应的检测时间提前4.5s,有效地提高智能车辆行驶安全性。