Autonome Fahrzeuge können aufgrund ungenauer Detektion und Erkennung falsche Entscheidungen treffen. Daher kann ein intelligentes Fahrzeug seine eigenen Daten mit denen anderer Fahrzeuge kombinieren, um die Wahrnehmungsfähigkeit zu verbessern und so die Detektionsgenauigkeit und die Fahrsicherheit zu erhöhen. Allerdings erfordert die kooperative Wahrnehmung mehrerer Fahrzeuge die Integration von Realwelt-Szenarien, und der Datenaustausch roher Sensordaten übertrifft bei weitem die Bandbreite vorhandener Fahrzeugnetzwerke. Nach unserem Wissen sind wir die ersten, die eine Studie zur kooperativen Wahrnehmung auf Rohdatenebene durchführen, um die Detektionsfähigkeit autonomer Systeme zu verbessern. In dieser Arbeit nutzen wir 3D-Punktwolken von LiDAR-Sensoren, um Sensordaten aus verschiedenen Positionen und Winkeln verbundener Fahrzeuge zu fusionieren. Ein 3D-Objekterkennungsverfahren basierend auf Punktwolken wird vorgeschlagen, das auf einer Vielzahl ausgerichteter Punktwolken arbeitet. Experimentelle Ergebnisse am KITTI-Datensatz und an unserem selbst gesammelten Datensatz zeigen, dass das vorgeschlagene System durch die Erweiterung des Sensorbereichs, die Verbesserung der Detektionsgenauigkeit und den Aufbau erweiterter Ergebnisse besser abschneidet als herkömmliche Wahrnehmungsverfahren. Am wichtigsten ist jedoch, dass wir beweisen konnten, dass es möglich ist, Punktwolken-Daten für kooperative Wahrnehmung über bestehende Fahrzeugnetzwerktechnologien zu übertragen.