随着近年来大数据、云计算、人工智能的高速发展,传统汽车行业也受到了巨大影响,汽车的智能化已是不可阻挡的趋势,属于传统汽车行业的革命已经到来。无人驾驶技术作为智能汽车的重要功能有着广阔的前景与市场,其核心技术SLAM（Simultaneous Localization and Mapping,同步定位地图构建）与基于SLAM技术的自主导航,也成为了近几年来学术界和制造业的热门课题。本文以智能小车平台为研究对象,对智能小车在复杂、狭窄环境下自主导航的性能,如路径规划、实时避障等问题展开深入研究,提出了对现有避障算法的改进优化,并以搭载ROS（Robot Operating System）操作系统Autolabor Pro1智能小车为实验平台来验证所提算法的可行性。其主要工作如下:1.针对智能小车在陌生环境下的SLAM与自主导航问题进行了深入研究。首先对ROS应用与SLAM技术的相关理论基础进行介绍,再对智能小车整体架构进行系统分析,建立相关数学模型,在此基础上重点研究了Gmapping算法,并使用该算法完成地图构建。针对自主导航全局路径规划问题,通过仿真实验对比Dijkstra算法与A*算法,最终采取更高效的A*算法。采用动态窗口法（DWA）算法用于局部路径规划,并对其进行实车实验验证,证实其可行性。2.针对智能小车在自主导航中的安全性问题以及未知障碍物对智能小车动态避障的影响,对DWA算法中评价函数进行优化,提出了综合了末端值法和累加求和法优点的运动轨迹均值评价法。使智能小车在导航时既能保持相对高效的速度又能与工作环境中障碍物保持相对安全的距离。此外,已知静态障碍物的密集程度对智能小车避障的效果也有相当的影响,针对该问题,提出了速度权值可变的自适应DWA算法。并通过仿真对比实验对以上算法的有效性进行验证。3.经过一系列的仿真对比试验后,分析了速度权值可变的自适应DWA算法的不足与优点。针对速度权值可变的自适应DWA算法在智能小车动态避障时运动轨迹的选取效果上提升有限的问题,更进一步,提出由于膨胀半径参数与周边障碍物密集程度不匹配导致智能小车避障失败的观点,并在速度权值可变的自适应DWA算法的基础上提出了膨胀半径可变的自适应DWA算法。智能小车依靠此方法可以依照周边环境障碍物的复杂程度自行调整膨胀半径,既能保障智能小车与障碍物的距离安全又能使智能小车保证较高的速度;并通过模拟仿真验证了上述算法的有效性。最后,使用Autolabor Pro1智能小车在真实的复杂环境下,对所提算法的可行性进行了进一步的验证。