Los vehículos autónomos dependen en gran medida de los sensores a bordo para percibir su entorno y planificar movimientos y controlar el vehículo. A pesar de los avances recientes, los algoritmos de percepción prevalentes suelen utilizar datos adquiridos del único vehículo anfitrión, lo que puede llevar a desafíos como la escasez de datos de sensores, limitaciones en el campo de visión y oclusión. Para abordar estos problemas y mejorar las capacidades de percepción de los sistemas de conducción autónoma, exploramos el concepto de percepción cooperativa multimedia entre múltiples vehículos, investigando la fusión de nubes de puntos LiDAR e imágenes de cámaras de múltiples vehículos interconectados con diferentes posiciones y ángulos de visión. Específicamente, introducimos un marco de percepción cooperativa a nivel de características de nubes de puntos semánticas, denominado CooPercept, diseñado para mitigar la complejidad computacional y reducir el tiempo de respuesta. Esto es crucial, ya que el volumen de tráfico de datos de sensores en bruto generalmente supera con creces el ancho de banda de las redes vehiculares existentes. Nuestro enfoque se valida a través de experimentos realizados en conjuntos de datos sintéticos de KITTI y OPV2V. Los resultados demuestran que nuestro modelo CooPercept supera a modelos de percepción comparables, logrando una mayor precisión en la detección y una mayor robustez en la detección.