动态路径规划承担无人驾驶汽车实时路径生成任务,该模块需要激光雷达、摄像头等传感器对周围物理世界进行综合认知、理解。作为决策、规划模块的信息源,其感知精度关乎无人驾驶汽车能否安全、可靠地行驶,同时,路径质量深刻影响车辆的行驶安全性、乘坐舒适性等。目前,基于深度学习的单目视觉任务(如分类、定位)表现出了优异的性能,但图像缺少深度信息,空间量测精度较低。因此,联合激光雷达弥补图像感知的不足,有利于提升车辆的安全性。对于动态路径规划,无人驾驶汽车的运动、动力学约束更强,行驶环境更加复杂,对路径质量要求更高,而部分动态路径规划算法存在稳定性差、成本高昂、不适用于结构化道路环境等缺点。因此,亟待设计出更加高效、低成本的动态路径规划算法。本文的主要研究内容及贡献如下:(1)构建了基于激光雷达与摄像头的联合感知系统。首先,基于张正友标定法,针对棋盘格的局限性,通过Ch Ar Uco实现了精度更高、鲁棒性更强的摄像头内参标定与畸变矫正。然后,基于3D-3D点相关实现了激光雷达与摄像头联合标定,该方法优于手工选点方法,且仅需较少的迭代次数即可获得较高的标定精度,具有操作简便、鲁棒性较强等优点。(2)针对车道线检测,设计了相对系统的车道线检测流程。首先,基于颜色、梯度信息的多车道线特征提取有效解决了单一特征容易导致不同颜色、光照条件下的车道线信息检测缺失;结合鸟瞰图,能够更准确地估算车道线的曲率和车辆位置。结果表明:该方法能够较为准确、可靠地检测出一般公路场景下的各种车道线。(3)对于三维目标检测,提出了一种相对轻量化、低成本的融合思路—二维目标检测提供类别信息,点云聚类提供三维信息。结果表明:该方法目标距离估计精度较高,优于单目视觉深度估计方法。其中,对于二维目标检测,利用自动驾驶数据集—KITTI对YOLO v3作迁移训练,以加强对车辆、行人等道路目标的检测能力。对于点云聚类,针对基于固定阈值的欧式聚类算法容易导致过分割、欠分割,提出了一种自适应距离阈值的平面点云欧式聚类算法。结果表明:该方法对车辆、行人等道路目标的聚类准确度较高,综合时间复杂度、准确度等指标,其性能优于传统欧式聚类算法。(4)针对公路场景下作速度保持的无人驾驶汽车,提出了一种基于Frenet坐标系的动态路径规划算法。首先,利用Frenet坐标系将车辆运动解耦;其次,在无约束横向、纵向独立积分系统下,根据初始配置和可内嵌到行为层的目标配置,利用五次、四次多项式产生有限的候选轨迹集合;然后,分别利用以高斯卷积、加速度变化率为核心的安全性和舒适性评价指标构建损失函数,评价候选路径成本,从通过曲率、加速度检查的路径中选择损失最小的一条作为最优解。该算法满足公路场景的规划需求,能够为车辆规划出安全、平滑、舒适的实时路径。