地面无人车辆是一种能够在各种地面环境中自主行驶的智能车辆,是机器人研究领域中的重要分支,涉及机械、光学、电子信息、计算机科学与技术、人工智能及自动化等多学科领域,其发展对国防、社会、经济和科学技术具有重大的影响。地面无人车辆面对的环境基本要素包含了地表状况(如覆盖介质、植被、平顺度、障碍等),天气和光照条件,电磁、交通信号以及声音等因素。复杂环境则意味着环境信息可能是部分或者完全未知,并且可能是杂乱、动态变化的。倘若再加上传感器技术和环境感知算法的局限性,那么地面无人车辆便需要在一个不完备、不确切,甚至是存在矛盾的环境模型中做出规划决策,这对其核心技术之一“路径规划”的灵活应变能力提出了较高的要求。本文首先介绍了国内外地面无人车辆的发展现状,然后对常用的路径规划及算法进行了归纳总结;在此基础上,结合我国“十二五”地面无人车辆在复杂环境中自主规划的工程需要,在以下三个方面开展工作:(1)部分环境信息未知情况下的静态避障算法。(2)无道路约束时的动态避障算法。(3)缺少道路模型时的非结构化道路路径规划算法。论文的主要创新性工作如下:(1)在考虑了地面无人车辆的非完整性运动学模型基础上,提出了基于模糊Q学习的改进Morphin算法。通过构造多层Morphin搜索树,扩展了地面无人车辆在未知区域内的搜索方向,提高了其灵活避障的能力。同时构建可通行率、安全性和目标趋向性三个评估函数对搜索树评估,并利用模糊Q学习来对评估函数的加权因子进行学习,使得地面无人车辆具备动态行为能力。实验表明,该算法能够有效提高地面无人车辆的局部避障能力。(2)建立了一种碰撞检测模型——碰撞检测圆,并提出了一种基于碰撞时间直方图的动态避障算法。利用碰撞检测模型计算出车辆所有可行驶方向上会与障碍物发生碰撞的时间并构造出碰撞时间直方图。在此基础上,设计了行为规划模块以及速度规划模块,在两者综合决策下得到车辆当前规划的执行转向角以及速度。仿真对比实验验证了本文算法在复杂动态环境中有效性。(3)针对非结构化道路两侧障碍物信息通常隐含了道路边界的特点,提出了一种基于栅格地图以及SVM的局部路径规划算法。该算法利用非线性SVM在栅格地图上提取出安全路径,然后将连续多帧安全路径投影至同一局部坐标系下,再使用RANSAC算法来估计道路模型。最后结合地面无人车辆自身状态优化得到最终规划路径。该算法能够有效地从局部栅格地图中提取道路,以弥补基于视觉的道路检测算法性能在受到恶劣光照、天气影响时的不足。