无人驾驶技术在越来越多的场景下都得到了广泛应用。越野环境下无人驾驶技术是军用地面无人平台的基础,其中道路检测作为无人驾驶系统的一个重要组成部分,在环境感知和路径规划中都起着至关重要的作用,是无人平台自主能力的重要支撑。与城市环境车道线检测不同,越野环境的道路更加复杂。本文针对越野场景下的道路检测及其在局部路径规划中的应用做了系统的研究。本论文的主要创新包括如下两点:第一,在工程应用研究方面,我们研究了道路检测技术在野外地面无人平台的自主导航中的应用落地。本文基于现有的基于离散道边点表示的道路模型,使用端到端的卷积神经网络进行预测;然后将算法集成到野外军用车载平台上,对车载相机采集的彩色图片进行实时预测。同时,我们提出利用图像道边检测进行局部路径规划的方案。首先进行相机的内参标定,以及相机与规划坐标系之间的外参标定,得到图像平面与规划平面之间的单应性矩阵。通过将图像中检测出的道边点投影到规划坐标系下,无人车可以在没有精确定位信息的情况下进行鲁棒的局部路径规划。根据实际环境情况,本文在投影的时候还提出了结合实时的车体姿态信息修正投影单应性矩阵和投影结果多帧融合等优化策略。第二,在理论研究方面,为了克服现有基于离散道边点的道路模型在表达复杂道边情形时自由度不够的问题,我们提出了一种基于三角函数道边模型以及局部道边坐标系表示方法。首先,根据标注的道边点,对左右道边构建了描述一条道边的局部道边坐标系统。基于该局部坐标系,对标注道边点进行三角函数拟合,得到道边的三角函数表示;然后,利用卷积神经网络进行端到端的预测,即以三角函数为真值,设计了相应的损失函数,对三角函数系数进行预测。我们的模型可以直接得到连续的道边函数表达,能够处理更加复杂自由的道边情况。我们在自建的越野场景道路检测数据集上进行一系列的比较实验,结果显示本文提出的基于三角函数的道路模型检测方法在越野场景下有很好的表现。