Les véhicules autonomes peuvent prendre des décisions erronées en raison d'une détection et d'une reconnaissance inexactes. Par conséquent, un véhicule intelligent peut combiner ses propres données avec celles d'autres véhicules pour améliorer sa capacité de perception, et ainsi augmenter la précision de la détection et la sécurité de la conduite. Cependant, la perception coopérative multi-véhicules nécessite l'intégration de scènes du monde réel, et le flux de données brutes échangées entre les capteurs dépasse largement la bande passante des réseaux de véhicules existants. À notre connaissance, nous sommes les premiers à mener une étude sur la perception coopérative au niveau des données brutes pour améliorer les capacités de détection des systèmes de conduite autonome. Dans ce travail, en s'appuyant sur les nuages de points 3D générés par LiDAR, nous fusionnons les données capteur collectées à partir de différentes positions et angles des véhicules connectés. Une méthode de détection d'objets 3D basée sur les nuages de points est proposée pour traiter une variété de nuages de points alignés. Les résultats expérimentaux sur KITTI et notre propre jeu de données montrent que le système proposé surpassent la perception traditionnelle en élargissant la zone de détection, en améliorant la précision de la détection et en favorisant des résultats augmentés. Plus important encore, nous démontrons qu'il est possible de transmettre les données des nuages de points pour une perception coopérative via les technologies réseau existantes dans le domaine automobile.