决策和规划是无人驾驶车辆的重要组成部分,发挥着自动驾驶车辆的“大脑”的作用,其结果直接影响到车辆的安全性和舒适性。目前,该领域内已经存在大量成熟的算法,这些算法基本可以分为基于搜索、基于优化和基于机器学习这几类。然而,这些算法往往运行于确定环境模型和完全可观测的环境中。但是现实城市道路环境中往往存在多种不确定性,这种不确定性主要来源于两个方面。一方面,由于城市中的高大建筑物较多,传感器感知范围有限并且感知算法本身存在误差。另一方面,行驶环境中的其他交通参与者的意图不可预测。也就是说,现实中存在多种不确定性,自动驾驶车辆运行在部分可观测的环境中。基于城市结构化道路地图OpenDRIVE提供的路网关系,本文提出了考虑部分可观测环境的速度规划算法和改进的混合A*路径规划算法,并构建了一款用于模拟这种不确定性的仿真软件SimTik。本文所提出的速度规划算法将自动驾驶的行车环境建模为部分可观测马尔科夫决策模型,可以很好地考虑城市道路行车环境中的不确定性,在感知被建筑物遮挡的情况下能够合理地规划行车速度,相比常规的速度规划算法,本文所提出的算法可以有效地提升行驶安全性。基于OpenDRIVE提供的道路参考线,所提出的改进混合A*算法可以适应城市结构化道路,相比在常规栅格地图中的搜索算法,该算法在搜索速度和规划一致性有较大提升。为了屏蔽各种传感器模型的干扰,使环境中的这种不确定性暴露给自动驾驶决策规划模块,从而更好地测试算法对于处理这种未知性的效果,基于OpenDRIVE地图本文构建了自己的仿真软件SimTik,该软件通过光线追踪来模拟传感器的感知范围并内置了多种车辆模型和控制算法,未来将会开源该软件。在论文的最后,给出了决策规划算法在仿真软件中的运行效果,同时也进行了多次实车测试,实验结果表明,本文的算法在处理感知盲区和变化的交通场景中具有较高的安全性。