自20世纪50年代初推出以来,智能车辆已成为智能交通系统中必不可少的技术,然而商用自动驾驶车辆的精确定位仍然是一个关键的问题。智能车辆在行驶过程中,定位是最基本的信息,在定位准确的前提下,智能车才能较好地完成轨迹控制同时还能使得车与车、车与城市之间的信息传递变得有意义。本课题首先研究了智能车辆在行驶过程中获取精确定位的方法,然后对智能车辆进行了宏观的路径规划。为了解决定位问题,智能车辆往往需要精确的3D点云地图。但是由于精确地图的制造设备昂贵并且由于设备中存在大量硬件而易受到干扰的影响,本文提出了一种从任意数量的视图中重建3D点云的方法。本文拟采取基于多视图的三维重建方法来对高精点云地图进行模拟和构建,具体包括特征点的检测与匹配、摄像机标定和三维重建三个步骤。同时,本文考虑了在已经拥有点云地图的基础上,为了获得智能车辆的位置信息,需要用实时点云数据和已经建好的地图进行点云配准,本文在这方面提出了一种改进措施,通过仿真实验表明提出的改进方法匹配误差更小。智能车辆的定位是自动驾驶车辆在行驶过程中的基本信息,同时高精度的定位效果也可以满足智能车轨迹跟随控制的要求。本文在获取了车辆的定位信息后,结合了路段的交通流状况对智能车的行驶路线做了宏观规划。传统的交通流数据获取方式大多需要大型的固定基础设施,但是这种方式的缺点十分明显,比如易损坏、不易维修等。目前电子和通信领域想出了一种替代方案,如使用遥感卫星图像、无人机航拍影像等。本文主要介绍了三种关于交通流信息中车流量密度参数的获取方法。第一种方法为基于离线预测的方式,采取的是季节性差分自回归滑动平均模型和广义自回归条件异方差模型相结合的时间序列分析模型。第二种方法为基于在线观测的方式,提取遥感卫星图像中正样本以及负样本的方向梯度直方图特征并进行支持向量机分类,进而对车辆目标进行提取。第三种方法为卡尔曼滤波数据融合方式,这种方法是本文提出的改进措施,通过仿真实验表明卡尔曼滤波的方法有效地提高了车辆密度参数估计的精度。本文关于交通流信息的联合处理使用了模糊推理系统,通过该系统输出了每条路段的权重大小,最终利用每条路段的权重大小使用Q学习的方法对无人驾驶车辆完成了路径规划。