自动驾驶技术的开发将会极大地有利于行车安全,减少交通事故的发生,因此在当代,自动驾驶的实现已经势在必行。由于基于模型的控制算法无法适应多变的行车环境,因此能够与环境交互,不断学习环境的强化学习算法将会在智能车领域扮演极为重要的角色,但是由于强化学习算法存在一定的失效问题,这将有可能导致严重的交通事故,所以减少强化学习算法在智能车应用中的失效,提高行车安全将是未来智能车研究中不可或缺的部分。本文以自动驾驶汽车为研究对象,主要研究了针对自动驾驶汽车从实时场景到动作输出的端到端控制算法和对当前场景的可行驶区域识别算法,然后对可行驶区域是否包含车辆受控后的下一时刻的预估位置（或车辆在执行当前动作后的下一时刻是否在可行驶区域之内）进行了分析验证,最终使两种算法之间互相监督验证以提高自动驾驶汽车的行驶安全性。本文的研究工作主要有以下几点:研究了可行驶区域识别算法PSPnet。搭建可行驶区域识别算法的网络结构,基于BDD100k开源数据集和Carl场景的自建数据集将其标签文件.json转化为神经网络可以识别的标签图片,与原始场景图片作为一组对网络结构进行训练,提升神经网络对自动驾驶汽车场景的可行驶区域的识别能力,然后在Carla环境中通过场景图片对可行驶区域识别的效果进行验证。研究了适应于自动驾驶汽车的端到端控制算法Policy Gradient。根据强化学习算法Policy Gradient的基本原理和自动驾驶汽车所处的Carla环境以及Carla中车辆控制的特性在Python中编写Policy Gradient算法,以实现从摄像头的实时场景到动作输出的端到端控制,Policy Gradient算法和Carla仿真环境之间通过TCP交互采集环境数据,并与网络输出值和动作在场景下的回报值放入策略网络进行训练,不断提升无人车在环境之中的表现。设计了多个场景的仿真验证,对自动驾驶汽车的端到端算法在不同场景下对自动驾驶汽车的控制表现进行了评估,通过Python和Carla的脚本配置所需求的车辆模型和传感器模型,在不同的仿真交通场景下进行试验,并通过车辆的速度、加速度、角速度和轨迹等与端到端算法Policy Gradient回报函数设计的匹配性进行了分析评估,验证了本文所编写的自动驾驶汽车的端到端控制算法的有效性,最后通过在对控制算法整个训练过程中可行驶区域识别算法的正确预警率和误警率的变化曲线验证了可行驶区域识别与自动驾驶汽车的端到端控制算法可以相互监督以提高行驶安全的方案的有效性。