随着人工智能在不同领域的逐渐应用,汽车行业与人工智能的结合便催生了无人车这一新的领域。无人车的核心功能是导航,目的是使无人车能够从当前位置无碰撞到达目标位置。随着人们生活水平的提高,无人车在室内环境中的应用越来越多,目前应用的导航技术大多是基于已知地图环境实现的。机器学习作为一种端到端的非线性控制模型,可以将其应用在导航系统中,用深度神经网络处理高维环境信息,通过模型处理直接输出控制指令。本文搭建了基于已知地图信息的导航系统和基于机器学习的导航系统,并分别进行实验分析和验证。本文通过对激光雷达点云信息的分割聚类、特征提取和匹配以及对雷达里程计的解算构建高精度三维点云地图。然后在此基础上生成二维栅格地图进行路径规划,在无人车运动过程中采用点云配准的方法实现无人车的精准定位。构建全局路径规划器生成参考路径,局部路径规划器输出对无人车的控制指令,实现完整的导航过程。本文对深度学习和强化学习优缺点进行分析,选用深度确定性策略梯度算法算法作为基础搭建训练框架并进行改进。模型输入为激光雷达的点云信息,输出为无人车的控制指令。基于人工势场法对奖励函数进行设计,综合考虑了速度、加速度和避障的影响。为了提高模型的收敛速度,论述了一种新的经验回放机制,增大时序差分误差较大和奖励值较大的样本数据被采样的概率。根据实验设计搭建了相应的硬件平台和软件平台,在室内环境下进行实验,对搭建的两种导航系统效果进行验证。实验证明,基于已知地图环境的导航系统能够快速无碰撞到达目标点,并且能够躲避现实中存在而未在地图环境中显示出来的障碍物。基于本文算法训练的导航模型能够在较少的训练回合数内快速收敛,并且控制效果良好。将训练好的模型迁移至新的仿真环境中,证明训练模型的迁移性良好。本文的研究成果可以为室内环境下的导航系统搭建提供一定参考,同时对深度强化学习算法的改进也可以应用到导航外的其他场景。