在自动驾驶感知系统中，为了提高感知结果的可靠度，通常采用多传感器融合的方法。针对融合感知系统中的目标检测任务，提出了基于雷达和相机融合的目标检测方法——PRRPN，旨在使用雷达测量和前一帧目标检测结果来改进图像检测网络中的候选区域生成，并提高目标检测性能。首先，将前一帧检测到的目标与当前帧中的雷达点进行关联，以实现雷达预分类。然后，将预分类后的雷达点投影到图像中，并根据雷达的距离和雷达散射截面积（RCS）信息获得相应的先验候选区域和雷达候选区域。最后，根据候选区域进行目标边界框的回归和分类。此外，还将PRRPN与区域生成网络（RPN）融合到一起来进行目标检测。使用新发布的nuScenes数据集来对三种检测方法进行测试评估。实验结果表明，与RPN相比，PRRPN不仅可以更快速地实现目标检测，而且还使得小目标的平均检测精度提升了2.09个百分点；而将所提PRRPN与RPN进行融合的方法，与单独使用PRRPN和RPN相比，平均检测精度分别提升了2.54个百分点和0.34个百分点。

节点崩溃或者仿真资源不足导致的分布式仿真系统故障,降低了仿真系统可靠性。为保证系统容错效果,降低容错开销,提出了一种基于虚拟化技术的仿真系统容错方法,按照系统故障发生的位置,对不同类型故障动态采用不同类型的容错策略。分析了检查点容错策略的优化方法,给出了最优设置间隔;结合虚拟化技术的优势,解决了副本容错策略的节点选择、副本数量以及位置分布问题;同时,引入基于虚拟机迁移的容错策略,并将其作为检查点容错策略和副本容错策略的补充,以降低容错开销。通过仿真实验数据对比,分析了动态容错策略与普通容错策略的性能,可知动态容错策略保证了系统容错性能,容错开销也保持在较低水平。