汽车工业的发展给人们的生活带来了极大的便捷,但是,在日常的生活中,由驾驶员因素导致的交通事故也屡见不鲜。随着计算机技术的发展,汽车的智能驾驶技术引起了人们的广泛关注。路径规划作为智能驾驶技术中关键的一环,决定着智能驾驶系统的可靠性与安全性。面对简单的驾驶场景,车辆要做出合理的路径规划,这是对智能系统最基本的要求,但在复杂多变的交通环境中,智能车辆也应该做出相应的操作躲避危险,既要保证车辆的驾驶安全,也要保证车辆的驾驶稳定性,这给路径规划带来了更高的要求。恶劣的行车工况也会给路径规划的安全性带来挑战,如冰雪环境下车辆容易发生侧滑,所以,如何在冰雪环境下规划出一条安全的可行驶路径是另一个研究难点。针对上述路径规划技术中的难点,本文展开了对智能车辆自主避障路径规划的研究:针对路径规划安全性和稳定性的问题,提出了基于Q学习的换道超车路径规划方法。选用合适的参数对车辆的状态和动作进行定义,简化了规划问题,减少了车辆状态的数量,提高了算法的效率;设计了兼顾车辆安全性、稳定性和路径平滑性的奖励函数,实现了车辆换道超车的驾驶目标。仿真结果表明,虽然由于路径的平滑性欠佳导致车辆在执行过程中存在一些偏差,但在一定的误差范围内保证了行车的安全性。针对规划路径的平滑性不佳导致车辆执行存在偏差的问题,提出了考虑车辆动力学的深度Q学习路径规划方法。由于车辆动力学相对复杂,车辆的状态参量增加,使用Q学习算法会出现维度灾难的问题,因此,采用基于神经网络的深度Q学习算法,改善了Q学习算法中Q表存储量有限的问题;考虑道路环境相对复杂,采用人工势场的方法,建立了包含车道中心线、障碍车辆和驾驶目的地的道路环境虚拟力场描述,引入了相似状态判断机制,使车辆在面对没有训练过的对称状态时,也能做出相应的对称动作,适应了更多的交通场景。仿真结果表明,该方法增加了所规划路径的平滑程度,减小了车辆在行驶过程中侧向参数的峰值,提高了车辆的侧向稳定性,减少了深度Q学习的训练时间,降低了学习成本。针对冰雪环境工况路面附着系数低,导致车辆易出现侧滑现象的问题,本文提出一种考虑周围障碍车辆发生侧滑的路径规划方法。分析了冰雪环境对车辆驾驶安全的影响,考虑到车辆发生侧滑现象时的危险程度更高,改进了在前文提出的路径规划算法,扩展了障碍车动态矩形虚拟斥力场的作用范围,增强斥力场的斥力,达到了使车辆及时避开危险车辆、避免碰撞的发生的目标。仿真结果表明,无论车辆是在车道线上正常行驶,还是为了躲避障碍车辆进行换道操作,车辆都能及时规划出安全的路径,避免碰撞事故的发生。