路径规划是无人驾驶控制规划最上层模块,指导车辆在宏观层面上行驶。现有的路径规划双向A*算法没有考虑交通流状态因素,规划的路径空间距离最短,但可能经过拥堵、事故路段,致使行程时间过长。车载自组网环境下,采集交通流状态信息,对双A*算法的不足之处加以改进,有效引导车辆避开拥堵、事故路段,减少行程时间,并提升路径规划效率。在对动态路径规划方法研究分析的基础上,选择搜索效率高、性能好的双向A*算法为基础模型,引入交通流状态因素,建立了动态双向A*算法,根据交通状况实时动态规划车辆行驶路径。为验证改进算法在理论上的可行性,分别在低密度、中等密度、高密度三种交通流状态下,进行了理论仿真分析。理论仿真实验表明,动态双向A~*算法明显优于传统的双向A*算法,在低密度、中等密度、高密度交通流状态下,行程路径分别减少7.14%、23.52%、10%。对改进算法思想在理论上验证可行之后,提出由理论模拟环境转变到更加接近真实复杂交通状况的车载自组网环境中,进一步验证改进算法性能优势。在车载自组网环境中,以行程时间作为评价动态算法的性能指标,且行程时间权值作为路段属性的主键值,设计了行程时间估价函数,作为动态路径规划搜索规则。为进行车载自组网环境下的仿真验证,使用网络仿真工具OMNeT++与微观交通仿真工具SUMO,建立了双向耦合联合仿真实验平台。基于Vanet环境的仿真结果表明,动态双向A*算法明显优于传统的双向A*算法,在低密度、中等密度交通流状态下,行程时间分别减少4.90%、7.24%。本文建立的动态双向A*路径规划算法、耦合Vanet仿真实验平台,为智能车载自组网的路径规划等研究提供了理论基础和实践意义。