无人驾驶汽车是未来汽车发展的必然趋势,自主导航是实现无人驾驶的关键技术,主要包含了同步定位与地图构建(SLAM)和路径规划两个研究领域。SLAM是指在未知环境地图中,根据传感器信息完成车辆位姿的计算和环境地图的构建。路径规划是根据已经构建的环境地图和实时感知信息,在满足车辆运动学和动力学约束条件下,规划一条平滑、安全可执行的运动轨迹,实现车辆避障功能。首先,根据不同的SLAM研究方法对比分析了主要感知传感器,并选择单线激光雷达用于本文的SLAM研究。然后,分析了常用地图模型的优缺点和适用场景,根据需求选择栅格地图作为本文的地图模型,详细推导了栅格地图的更新原理。最后,介绍了全局坐标系、车辆坐标系和激光雷达坐标系间的转换关系,完成车辆运动模型和激光雷达观测模型的搭建。目前,根据原理的不同可将SLAM方法分为两个研究方向,基于滤波器原理的SLAM和基于非线性优化理论的图优化SLAM。本文对基于EKF、RBPF的SLAM原理进行推理,分析对比了两种滤波SLAM的优缺点。通过MATLAB仿真实验测试EKF和PF在非线性系统中的跟踪性能。对EKF-SLAM进行仿真,分析状态和地图的不确定度。基于RBPF的Gmapping-SLAM,改进了建议分布和重采样方法,有效减少了粒子数量,降低了粒子退化速度。最后介绍了图优化SLAM的框架,对基于激光雷达的Cartographer-SLAM进行分析。本文将路径规划分为全局路径规划和局部路径规划。针对全局路径规划,详细介绍了基于图搜索的Dijkstra算法和A*算法的原理和流程,通过仿真实验对了两种算法的搜索效率和全局最优性。然后对基于动态窗口法的局部路径规划算法进行推导,主要包括求解速度采用空间,利用速度运动模型推算运动轨迹,通过评价函数求取最优轨迹。最后,以Racecar底盘为基础完成无人驾驶实验平台的搭建,测试车辆的自主导航功能。分别在走廊环境和会议室对SLAM效果进行测试,将构建的栅格地图与真实环境进行对比,验证SLAM算法的有效性。最后测试车辆的路径规划算法,Racecar安全无碰撞的地行驶至目标点,验证了A*算法和DWA算法可以获得满足实时性要求的路径较短的安全路径。