智能驾驶中车辆检测技术这一核心环节,在自主导航、碰撞检测等应用中有着重要的地位。通过输入的传感器数据,车辆检测算法提取环境中的特征,实时检测环境中的车辆目标及其空间位置以及车辆目标当前的姿态,从而合理地对车辆前进路线进行规划。虽然在现有研究下,已经有部分较为成熟的车辆检测算法,但这些算法仅能在光照等环境条件理想的情况下实现车辆检测,并且由于激光雷达本身的限制,远距离目标的点云数据十分稀疏,极大地影响了现有车辆检测算法对于远距离目标的检测结果,导致现有车辆检测算法对于距离变化的鲁棒性不佳,对远距离目标的检测结果不够精确。目前,车辆检测算法主要分为基于2D图像的车辆检测算法和基于3D点云的车辆检测算法。其中,2D图像具有更高的采样点数量,但是缺乏深度信息,无法准确定位车辆距离。另一方面,3D点云数据具有深度信息,能检测到环境中车辆在空间中的位置与姿态,因此在智能驾驶中得到广泛的应用。但是远距离目标的3D点云十分稀疏,会显著影响检测算法的性能,而且3D点云数据在空间中是非均匀分布,难以直接使用3D神经网络对其进行处理。同时,由于高精度的激光雷达、超声波雷达等3D传感器价格较为高昂,单纯的3D车辆检测算法设备成本较高,限制了算法的应用。为了提高3D车辆检测算法的精度,采用2D车辆检测算法辅助3D车辆检测算法成为了一种解决途径。值得注意的是,现有的3D检测算法对于所有的输入点采用相同的操作,导致了在一些非车辆的局外点特征被保留的情形下,一些车辆点的特征被这些局外点干扰,对检测结果造成不利影响。同时,现有的2D车辆检测算法都是基于2D图像的检测算法,没有考虑与3D车辆检测算法例如Point Net[7]的有效结合。特别地,Point Net等3D车辆检测算法依赖2D车辆检测算法结果,当存在相互遮挡的情况时,2D车辆检测算法的效果不佳,会影响后续的3D车辆检测算法。本文针对3D车辆检测提出了基于多维信息融合与注意力机制的车辆检测算法,该算法分为基于多维信息融合的2D车辆预检测算法与基于注意力机制的3D车辆检测算法两个部分。该算法的主要创新点如下:（1）提出基于多维信息融合的2D车辆预检测模型,该模型能够检测车辆在2D图像上的位置,然后利用2D-3D转换关系来确定车辆在空间中所在锥形区域,进而进行后续3D车辆检测。本文提出算法通过引入3D点云特征来有效约束2D图像中的车辆检测结果能对应上稀疏的3D点云位置,显著提升后续3D车辆检测算法的最终检测准确率。同时,多维信息融合策略将具有深度信息的3D特征引入到2D车辆检测步骤中,能够对于遮挡车辆进行更好的区分,减少了2D检测结果中由于遮挡造成的误检与漏检。该模型通过这两种方式有效提高了最终3D车辆检测结果的准确度。（2）提出基于注意力机制的3D车辆检测模型,通过注意力网络自动计算3D点特征的权重,加强车辆点的贡献,减少非车辆点对检测结果的干扰,从而提升最终的3D车辆检测结果。文中算法将Frustum-Point Net算法作为基础算法实现了上述创新工作,并在KITTI数据集上进行了验证。相比于Frustum-Point Net算法,在准确率上有较明显的提高。同时针对远距离目标,本文提出的算法具有更高的鲁棒性,可广泛应用于各种不同场景。