无人驾驶系统是一个复杂的综合系统,现有的无人驾驶系统大多基于模块化设计思想进行构建,这种设计思想有益于无人驾驶系统的迭代开发,但与此同时带来了一系列的隐患,如模块间的冗余计算、误差传递和信息损失。无人驾驶对于安全性和实时性有着极高的要求,这些隐患会对无人驾驶系统造成极大的负面影响。为了解决这些问题,本文以模块间的潜在联系为出发点,基于多任务学习算法,设计并实现了同时进行点云感知定位的多任务模型Aggron Net。本文的主要工作如下:（1）本文提出并实现了能够同时进行点云感知定位的多任务模型Aggron Net。Aggron Net使用深层神经网络对输入点云进行编码,编码得到的特征图之后被输入共享解码器Aggron Head。Aggron Head将输入特征图转换为用于3D目标检测任务的特征图和里程计任务的特征图,并在之后将其分别送入各自任务分支,从而同时输出当前场景中所关注物体的3D包围框和车辆自身的运动状态。（2）本文在Aggron Head中设计并实现了多任务注意力模块（Multi-Task Attention Module,MTAM）和逐通道融合模块（Channel-wise Fusion Module,CFM）,在有效地生成适用于各任务的特征的同时,减少了引入额外任务带来的计算量。MTAM在卷积注意力模块（Convolution Block Attention Module,CBAM）的基础上进行改进,使网络不仅能够理解各任务在输入特征图上的空间侧重点,还能挑选和组合适用于各任务的特征。CFM通过分组卷积,在仅使用常规方法一半计算量的情况下,实现了相似特征图的特征自适应融合。（3）本文通过监督学习和自监督学习两种方式对Aggron Net进行了训练,并分别进行了分析。本文首先基于滑动窗口,设计并构建了适用于Aggron Net的监督学习训练流水线。之后针对实验中存在的问题,探究了无人驾驶中的数据分布不平衡问题,并提出了基于车辆运动特性的自监督学习训练流水线。通过自监督学习训练流水线得到的模型不仅不依赖于真实里程计数据,还在目标检测任务和里程计任务取得了更好的表现。（4）本文在nu Scenes数据集和KITTI Odometry数据集上分别对所提出的多任务模型的3D目标检测性能和里程计性能进行了测试,与其他主流方法比较的结果验证了Aggron Net的可行性与有效性。此外,本文还在兰州大学的实际校园场景中对模型进行了测试,实验结果说明Aggron Net具有优秀的泛化能力,能够在实际场景中进行部署和应用。