随着无人驾驶技术的不断发展,基于完整地图信息的路径规划技术已经发展得较为成熟,但还不能完全满足实际的需求。在现实环境中,我们无法依赖先验地图获得完整的信息,仅能获得地图中的部分静态障碍物信息。当无人车处在存在动态障碍物（例如行人、其他车辆等）的动态环境中时,对很多实际任务,如跟随驾驶与动态避障的能力都提出了更高的要求。本文针对动态环境下无人车的跟随行驶和避障规划进行系统的研究,主要工作与创新如下:第一,针对动态环境下的跟随行驶问题,运用速度障碍法,结合DWA算法实现动态、静态障碍物的避碰,同时通过综合优化目标函数,实现了有效的跟随行驶。本文针对现有的速度障碍法,提出改善障碍物处理,使用矩形来更一般地描述动态、静态障碍物,来更好地贴近实际场景;优化车辆与目标间的距离控制,结合车辆与目标间的距离以及目标的运动速度,确定合适的跟车目标点,优化车辆行驶轨迹与合理的跟随距离;引入DWA算法,对车辆合理范围内的速度进行评价,从而选择避障以及跟车效果最佳的控制指令。同时,本文完成了该避障跟车算法在仿真平台和ROS平台上的集成,在实际场景进行了一系列的实验,取得了较好的效果。第二,针对动态环境下深度强化学习的避障规划存在收敛速度慢,规划轨迹不合理等问题,结合传统路径规划算法,提出了一种融合全局指导训练的深度强化学习避障导航方法。结合环境中部分已知信息,以及车辆初始位置与目标位置,利用传统算法规划出由一系列路点组成的初始路径,作为深度强化学习的全局指导;在车辆的运动过程中,每一个时刻都根据车辆反馈的运动信息、和路点的相对位置关系,对车辆的运动做出相对应的评价,作为深度强化学习的训练样本;当车辆与障碍物发生碰撞时,根据障碍物不同的分类、车辆与障碍物的相对位置关系,给予无人车不同的惩罚。该方法能够有效地提高深度强化学习的收敛速度,在导航过程中提高车辆的导航效率,同时使得车辆的运动具有环境友好性,降低将对周边环境的影响。