随着人工智能影响范围的不断扩大,智能交通成为了未来交通领域重点发展的方向,无人驾驶技术便是其中一个重要体现。为了满足用户日益提升的出行需求,提高无人驾驶出行任务的效率,提升路径选择合理性,应对复杂的动态交通环境,保障安全性,并且加速实际运输作业的智能化进程。本文结合无人驾驶发展的整体趋势,以无人驾驶技术支持为背景重点对路径规划模块进行了研究,提出改进优化方法。具体研究内容包括以下几点:1.调研了无人驾驶技术的整体发展和路径规划的研究现状,介绍了无人驾驶系统架构的基本组成,并结合路径规划的应用对无人驾驶的各关键技术架构进行研究和设计,为后续路径规划模块研究提供相应技术支撑。2.针对无人驾驶汽车的路径规划面临着复杂多变的交通环境,为了更全面的评价路径选择指标以规划更合理的路径,以及更好的解决路段环境动态变化对规划结果造成的影响,提出了一种考虑多影响因素的动态路径规划算法-RDMA*(Real-time Dynamics of Multiple influencing factors AStar)算法。以A*(AStar)算法为核心,采用双向搜索模式和基于堆结构的排序,通过加入多影响因素的交通评价因子对其代价函数进行改进,综合考虑距离,交通拥堵程度,道路平整度和其他影响因素,应用层次分析法确定各影响因素的相对权重,以综合代价值为评价指标进行路径规划;通过GPS,雷达和摄像头等设备,利用融合感知技术获取相关道路环境信息,根据获取的全局和局部交通环境数据信息,利用实时动态更新策略解决动态环境下的路径规划问题,实时规划最优路径。3.结合RDMA*路径规划算法,应用于无人驾驶车辆的实际运输调度任务中,根据路径选择的综合代价值和运输惩罚成本,构建多目标-多目标点间无人驾驶车辆运输调度的数学模型,采用改进多层编码的遗传算法进行求解,获得全局最优的目标点间的无人驾驶车辆运输调度方案。4.基于Prescan仿真平台,模拟实现无人驾驶技术架构和相关配置。以珠三角地区冷链物流的运输背景,构建了案例,对RDMA*算法进行效果验证。结果表明应用RDMA*路径规划方法相比传统路径规划方法具有更低的出行总耗时,提高了出行任务效率。并且在动态交通环境遇到特殊事件的状况下,可为无人驾驶车辆动态提供一条即时的综合代价值最小,耗时最少的最优可行路径。最后通过构建多目标供应商-多目标需求商的运输任务场景,在RDMA*路径规划的前提下运用改进多层编码的遗传算法解决了多目标点间的运输调度问题,论证该方法能获得全局最优解并保持一个快速的搜索效率。