目标检测是自动驾驶环境感知的关键技术之一,单一车辆的可靠检测范围小且存在视觉盲区,难以应对复杂的城市交通场景。利用车路协同系统进行检测,可将路侧设备的检测结果融合到车侧,获得更精确更全面的检测结果,保证交通安全。然而,目前已落地的车路协同目标检测算法大多数在决策级进行,精度较低。为了解决这一问题,重点研究了基于激光雷达点云的车路协同目标检测算法,设计了具体的实施方案并进行了实验验证。针对现有的车路协同目标检测算法难以在原始数据级做融合的问题,以激光雷达点云为媒介,设计了一套原始数据级融合的车路协同目标检测系统,通过车路两侧数据处理的有效协同,实现所述的车路协同目标检测算法。接着,基于目前缺乏车路协同场景数据集的现状,搭建了数据采集平台并在学校园区内采集了小规模的数据集,为后续研究工作打下了基础。上述车路协同目标检测算法的第一步是对路侧采集的点云进行精简以保证实时传输。针对现有的点云精简方法会损失前景点云,影响算法检测精度的问题,提出一种基于前景点搜索的精简方案。该方案包括预处理精简和前景点搜索两个环节,可实时地将数据量小但起到关键作用的前景点云单独分割出来,既满足实时传输的需要,又不影响检测算法的精度。与现有点云精简方案进行的对照实验表明,该方案在实时性和有效性上具有一定的优势。上述车路协同目标检测算法的第二步是将路侧点云实时地配准到车侧进行融合。针对现有的配准算法不满足实时性和准确性要求的问题,基于ICP算法进行改进,提出了ROI-ICP算法,用ROI范围的内的局部查找代替全局查找,加速了算法的配准速度;同时,通过异常配准点对的剔除,提高了算法的配准精度。路侧点云配准到车侧后,算法顺利完成,为了验证其优越性,在自建数据集上进行了对照实验,实验结果表明,与原有的单车智能模式的目标检测算法相比,该算法在检测精度上获得大幅提升,能够有效增强自动驾驶车辆的感知能力。