目前,在军事领域,在战斗或演习前,军事指挥人员通常会通过测绘来得到战场地形图。然而,这种方式工作量大、实时性较差。另外战场很可能位于隐蔽地区并且战争爆发时机难以预测,因此提前测绘战场地形图有一定困难。并且战场环境复杂多变,提前绘制的地形图可能并不能准确反映战场的情况。在这篇文章中,为了实时感知战场环境,我们设计了多车协同的实时重建和环境感知系统,我们的系统可以实时地建立车辆周围的彩色点云地图并且实时地感知车辆周围的二维和三维物体。目前,大部分的重建系统难以做到实时且精确的建立稠密点云地图。一些使用激光雷达的SLAM算法可以实时的建立点云地图,然而大部分并没有扩展到多车上,也没有将建立的点云地图彩色化。在本篇文章中,我们设计了一个多车协同的实时重建算法来建立稠密的彩色点云地图。另外,我们也设计了感知系统,并且我们的感知系统可以实时的运行在计算机上。在构建我们的重建系统时,我们解决了一系列问题。第一,由于IMU测量的加速度和角速度数据中带有较大的漂移噪声和高斯白噪声,因此这些不准确的IMU数据难以被用来去除点云的运动畸变。在这里,我们使用扩展卡尔曼滤波将IMU数据和激光雷达位姿数据进行融合,并实时更新接收的IMU数据,然后使用更新后的IMU数据去除点云畸变。第二,激光SLAM中的前端里程计不可避免的会产生累积漂移,并且多个车辆各自的世界坐标系不在同一点。因此,为了减少累积漂移并让多个车辆可以互相定位,我们设计了一个在服务器上运行的多车协同的后端优化算法。第三,在彩色化点云时,需要知道激光雷达和相机之间的相对位姿。在这里,我们提出一种基于平面的标定方法来计算激光雷达和相机之间的外参数。第四,为了更加准确的给点云分配颜色,我们需要知道激光雷达和相机之间的时间偏差,在本文章中,我们提出了一种算法来实时地计算激光雷达和相机之的时间偏差。第五,由于激光雷达和相机之间具有视差,点云中的一些点不被相机可视。为此,我们实现了一种可以实时查找可视点的方法。在构建感知系统时,我们完成了如下工作:改进了YOLOv3物体检测算法,使其更加快速的检测鱼眼图像上的物体;改进了Fast-SCNN语义分割算法,使其更加准确的分割鱼眼图像;改进了YOLO3D三维物体检测算法,使其更精确的检测点云中的物体。